Digital Garden

Curriculum Learning

Curriculum Learning

한 줄 요약

사람이 쉬운 것부터 배우듯이, AI도 쉬운 데이터부터 어려운 데이터 순서로 학습시키면 더 효율적으로 배운다는 기계학습 방법론.

쉬운 설명

여러분이 수학을 배울 때를 생각해보세요. 갑자기 미적분부터 시작하지 않고, 덧셈→뺄셈→곱셈→나눗셈 순서로 배우죠? 이게 바로 Curriculum Learning의 핵심 아이디어이다.

2009년에 Yoshua Bengio라는 유명한 AI 학자가 제안한 방법인데, 신경망(AI 모델)을 학습시킬 때도 데이터를 난이도 순서대로 제공하면 훨씬 빨리 배운다는 것을 발견했어요.

예를 들어, 강아지와 고양이를 구분하는 AI를 만든다고 해봅시다:

  • 잘못된 방법: 모든 사진을 무작위로 섞어서 학습
  • Curriculum Learning: 먼저 선명한 정면 사진 → 측면 사진 → 흐릿한 사진 → 일부만 보이는 사진 순서로 학습

마치 운전을 배울 때 주차장에서 먼저 연습하고 나중에 고속도로로 나가는 것처럼, AI도 단계적으로 배우면 더 안정적으로 학습이 된다.

핵심 포인트

  • 점진적 학습: 쉬운 예제에서 어려운 예제로 점진적으로 난이도를 높임
  • 수렴 가속: 적절한 학습 순서를 정하면 목표 성능에 더 빨리 도달함 (20-40% 빠름)
  • 안정성 향상: 처음부터 어려운 문제를 주면 학습이 불안정하거나 실패할 수 있음
  • Local Minima 회피: 쉬운 예제로 좋은 출발점을 잡으면, 나쁜 함정(Local Minima)에 빠지는 것을 방지

관련 개념

R4 연구에서의 역할

R4 연구의 핵심 이론적 기반이다. Bengio의 Curriculum Learning을 기초로 삼고, 여기에 ZPD (근접발달영역)이라는 교육학 이론의 통찰을 더해서 “적응형(Adaptive)” Curriculum Learning을 만들었다.

기존 Curriculum Learning은 난이도 순서가 고정되어 있었는데, R4 연구는 모델이 학습하는 동안 실시간으로 난이도를 조정하는 것이 특징이다. 마치 좋은 선생님이 학생 수준을 보면서 문제 난이도를 바꿔주는 것처럼요.

더 알아보기

  • Bengio, Y., Louradour, J., Collobert, R., & Weston, J. (2009). Curriculum learning. Proceedings of the 26th International Conference on Machine Learning, 41-48.
  • 원문에서는 수학적 정의를 제공: “W*(T) = argmin_W Σ L(f(x;W), y) × Q_T(x,y)” - Q_T가 시간에 따라 쉬운 예제에서 어려운 예제로 가중치를 조정하는 역할