OT-CAL：用最优传输引导自适应样本选择，加速视觉模型训练

OT-CAL 是一种自适应数据选择方法，用难度、可学习性、不确定性等五个特征描述样本，并通过最优传输匹配按样本与当前课程向量的接近程度分配选择权重，课程向量随所选样本更新形成自适应反馈回路。在三个标准视觉学习基准上，每批选择 50% 样本时，OT-CAL 比 AdaSelection 提升 1.3–2.1 分，训练速度达到全量数据训练的 1.18–1.24 倍。