Recursive reasoning 모델은 반복적인 개선을 통해 복잡한 추론 작업에서 뛰어난 성능을 보입니다. 그러나 이러한 모델의 훈련은 계산 비용이 많이 듭니다. 본 논문은 CGAR(Curriculum learning on architectural depth with Gradient weighting for Recursive reasoning models)을 제안합니다. CGAR은 프로그레시브 깊이 커리큘럼(Progressive Depth Curriculum)과 계층적 감독 가중치(Hierarchical Supervision Weighting)라는 두 가지 구성 요소를 사용하여 아키텍처 깊이에 커리큘럼 학습을 적용합니다. Sudoku-Extreme 데이터셋에서 CGAR은 1.71배의 훈련 속도 향상과 0.63%의 정확도 감소를 보였습니다. CGAR으로 훈련된 모델은 더 적은 추론 단계로 100% 중단 정확도를 보이며 추론 효율성이 뛰어납니다.
