摘要
自适应学习（self-paced learning）在存在初始知识的任务中已展现出显著优势，例如弱监督学习和领域自适应，其通过从简单到复杂的顺序选择和排列训练样本序列，有效提升模型性能。然而，该方法在无监督学习中的适用性尚未得到充分探索，尤其是在任务知识随训练过程逐步成熟的情形下。为此，本文提出一种新颖的双曲自适应学习模型（Hyperbolic Self-Paced model, HYSP），用于学习基于骨架的动作表征。HYSP采用自监督学习范式：通过对同一样本进行数据增强生成两个视图，模型通过将其中一个视图（称为在线视图）与另一个（目标视图）进行匹配来实现学习。本文创新性地引入双曲不确定性（hyperbolic uncertainty）作为决定学习节奏的机制，其核心假设是：不确定性较低的样本应更强烈地驱动训练过程，赋予其更高的权重与更快的学习速率。值得注意的是，双曲不确定性是所采用的双曲神经网络的自然衍生产物，它在训练过程中逐步演化，且相较于传统的欧几里得空间自监督学习框架，无需额外计算成本。在三个主流的基于骨架的动作识别数据集上的实验表明，HYSP在PKU-MMD I数据集上超越了当前最优方法，并在NTU-60与NTU-120数据集的三个下游任务中，有两项任务表现优于现有先进方法。此外，HYSP仅依赖正样本对进行学习，无需像对比学习方法那样进行复杂的负样本挖掘，从而避免了高计算开销的负样本采样过程。相关代码已开源，可访问：https://github.com/paolomandica/HYSP。