El aprendizaje de la estructura causal juega un papel crucial en el campo actual de la inteligencia artificial, sin embargo, los métodos existentes de aprendizaje de la estructura causal son susceptibles a la interferencia del ruido de muestra de datos y a menudo quedan atrapados en óptimos locales. Para abordar estos desafíos, este documento presenta un algoritmo de optimización continua basado en el marco de aprendizaje del currículo: CL-NOTEARS. El modelo utiliza la función de pérdida del currículo durante el entrenamiento como métrica de evaluación prioritaria para la selección del currículo y formula la secuencia de aprendizaje de muestra del modelo a través de currículos a nivel de tarea, mejorando así el rendimiento de aprendizaje del modelo. Se emplea una estrategia de priorización de muestra basada en el currículo que ajusta dinámicamente la secuencia de entrenamiento en función de las variaciones en los valores de la función de pérdida en diferentes muestras a lo largo del proceso de entrenamiento. Los resultados demuestran una reducción significativa en el impacto del ruido de muestra en los datos, lo que lleva a una mejora en el rendimiento del entrenamiento del modelo.