---
title: "課程學習（Curriculum Learning）"
slug: curriculum-learning
language: zh-TW
source: https://aiterms.tw/terms/curriculum-learning
updated_at: 2026-06-23
tags: [機器學習, 深度學習, AI基礎]
ipas_term: false
---

# 課程學習（Curriculum Learning）

系統從簡單任務開始，逐步學習難度遞增的任務，提升效率和收斂性。

## 完整說明

課程學習（Curriculum Learning）是一種訓練策略，靈感來自人類教育。與隨機順序訓練不同，課程學習有意地設計訓練順序：先用簡單、易學的樣本或任務訓練，逐漸增加難度。這種漸進式策略提升了模型的學習效率、泛化能力和收斂速度。例如，教小孩識字不會先拿古文，而是簡單的字母；訓練圍棋 AI 也是先學基本棋型再學複雜對局。

## 常見問題

### 如何定義樣本的「難度」使得課程學習有效？

難度定義依應用而定，無通用公式。常見方法包括：(1) 基於模型預測的難度：用預訓練模型或初期訓練的模型對樣本打分，分類置信度低、預測錯誤或接近決策邊界的樣本視為難樣本；(2) 基於標籤的難度：稀有類別樣本難、標籤噪聲樣本難；(3) 基於特徵的難度：在特徵空間中孤立的樣本難、多模態樣本難；(4) 自度量學習：模型自動學習難度評分，不需人工定義。實務中，組合多個難度指標效果更好。例如，既考慮模型不確定性，也考慮樣本的統計異常性。

### 課程學習中何時停止簡單樣本的訓練，轉向更難的樣本？

這是課程設計的關鍵。有幾種策略：(1) 固定計畫：預先計畫在第 N 個 epoch 切換難度，嚴格執行；(2) 閾值觸發：監控訓練損失，當損失低於某閾值時，自動增加難度；(3) 進度監測：每個 epoch 計算模型在簡單樣本上的準確率，達到目標準確率（如 95%）後切換；(4) 漸進過渡：不是突然切換，而是逐漸增加難樣本的比例，如第 N epoch 簡單樣本佔 80%，第 N+1 epoch 佔 60% 等。實務中，漸進過渡通常最穩定，避免了切換時的訓練震盪。

### 課程學習是否總是能提升模型效能，還是有失效的情況？

課程學習大多情況有益，但不是萬能的。失效情況包括：(1) 過度適應簡單樣本：若簡單樣本與複雜樣本分佈差異太大，在簡單樣本上過度訓練會學到不遷移的特徵，後期難以適應複雜樣本；(2) 課程設計不當：若難度漸增不符合任務真實難度，可能反而導致效能下降；(3) 任務本質不適合課程：某些任務（如某些圖像分類）樣本間差異小，課程幫助有限；(4) 過度複雜化：設計高度定製的課程會增加超參數和人工工程，得不償失。解決方案是在驗證集上評估課程效果，若沒有改進或反而惡化，應放棄或調整課程。

---

來源：https://aiterms.tw/terms/curriculum-learning
快查頁：https://aiterms.tw/terms/curriculum-learning
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-curriculum-learning