Resolution curriculum

Он решает главную проблему машинного обучения — колоссальные затраты ресурсов. Обучение сразу на сложных данных дорого и медленно, модель тонет в шуме вместо закономерностей. Resolution curriculum позволяет ИИ уловить общие очертания задачи, а затем шаг за шагом оттачивать мастерство на деталях. Это как учиться рисовать: сначала набросок, потом тени и текстура.

На интуитивном уровне: учите ребёнка различать породы собак. Если показать фото высокого разрешения, он запутается. Сначала дают размытые силуэты: овчарка крупная, такса длинная. Освоив это, переходят к форме ушей, затем к окрасу. Нейросеть делает то же самое: начиная с пиксельных «каракулей» 8×8, учится выделять главные признаки, а разрешение увеличивают, добавляя текстуру и фон.

Прикладной пример — генерация изображений. Модели, создающие фотореалистичные картинки по тексту, обучаются так: сначала генерируют хаотичный шум, напоминающий объект, затем проступают контуры, и лишь на финальных этапах включается полное разрешение — блики в глазах, фактура кожи. Без поэтапности генерация даже простого объекта потребовала бы мощностей, недоступных дата-центрам.

В итоге resolution curriculum — фундаментальный принцип эффективного обучения, позволяющий создавать мощные модели, тратя меньше времени и энергии.