КООНО: Учебная программа и оптимизация привязки к стабильному графику

arXiv: 2609.08244v1 Annualte Type: New Humber Brief: Граф, не обучающийся, устраняет влияние данных о заданной подготовке из подготовленной графической модели без переподготовки с нуля. Вместе с тем существующие методы сталкиваются с резким снижением полезности моделей при крупных коэффициентах исключения (удаление массы), что мы называем катастрофическим неучебным явлением. Мы считаем, что одной из ключевых причин является единообразная обработка всех удаленных образцов, которая особенно вредна для графического обучения: структурные зависимости приводят к тому, что различные узлы играют совершенно разные роли в модели, однако существующие методы применяют одну и ту же операцию забвения ко всему набору забытых. Исходя из этого, мы предлагаем КУНО - основанную на учебных программах схему отказа от обучения, которая постепенно устраняет набор забвения и заказывает образцы с учетом их предполагаемой неучебной сложности в течение нескольких этапов. Кроме того, на каждом этапе обучения в рамках КПСО используется цель оптимизации негативных преференций (НПО) на уровне распределения, которая позволяет не использовать модель.