SPL：self-paced learning 自步学习

课程学习：首先学习简单的、普适性的知识结构，然后逐渐增加难度，过渡到学习更复杂、更专业化的知识。

self-paced learning通过添加一个正则项(SP-regularizer),使得模型可以自动挑选简单的样本先训练。

这个正则项就是下面的f，L函数是传统的损失函数,vi是权值,其可能的取值为{0,1}, 也就是是否选择该样本做训练，vi通过f来控制，也就是增则项f决定是否选择此样本。

其中f是v的递减函数，是$\lambda$的增函数

• 不选此样本（v=0）：当v=0的时候的E>当v=1的时候的E。当v=0时，E=f，当v=1时E=L，若E=f>E=L，就说明L大，复杂，不选这个复杂样本。
• 选此样本（v=1）：E=f<E=L，就说明L小，简单，选这个样本。
• $\lambda$越大，f越大，这时候更多的样本会是E=L，也就是更多的复杂样本被选择。

更详细见：https://blog.csdn.net/selous/article/details/78144377