Fugu-MT 論文翻訳(概要): Dynamic Knowledge embedding and tracing

論文の概要: Dynamic Knowledge embedding and tracing

arxiv url: http://arxiv.org/abs/2005.09109v1
Date: Mon, 18 May 2020 21:56:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-02 00:06:34.832503
Title: Dynamic Knowledge embedding and tracing
Title（参考訳）: 動的知識の埋め込みとトレース
Authors: Liangbei Xu, Mark A. Davenport
Abstract要約: 本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
参考スコア（独自算出の注目度）: 18.717482292051788
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The goal of knowledge tracing is to track the state of a student's knowledge as it evolves over time. This plays a fundamental role in understanding the learning process and is a key task in the development of an intelligent tutoring system. In this paper we propose a novel approach to knowledge tracing that combines techniques from matrix factorization with recent progress in recurrent neural networks (RNNs) to effectively track the state of a student's knowledge. The proposed \emph{DynEmb} framework enables the tracking of student knowledge even without the concept/skill tag information that other knowledge tracing models require while simultaneously achieving superior performance. We provide experimental evaluations demonstrating that DynEmb achieves improved performance compared to baselines and illustrating the robustness and effectiveness of the proposed framework. We also evaluate our approach using several real-world datasets showing that the proposed model outperforms the previous state-of-the-art. These results suggest that combining embedding models with sequential models such as RNNs is a promising new direction for knowledge tracing.
Abstract（参考訳）: 知識追跡の目標は、時間とともに進化していく学生の知識の状態を追跡することである。これは学習過程の理解において基本的な役割を担い、知的学習システムの開発において重要な役割を担う。本稿では,行列因子化から最近のrecurrent neural networks (rnns) の進歩を組み合わせることで,学習者の知識状態を効果的に追跡する知識追跡手法を提案する。提案した「emph{DynEmb}」フレームワークは、他の知識追跡モデルが必要とする概念/スキルタグ情報なしでも、優れた性能を同時に達成できる。我々は,DynEmbがベースラインよりも性能の向上を実現し,提案フレームワークの堅牢性と有効性を示す実験評価を行った。また,提案モデルが過去の最先端モデルよりも優れていることを示す実世界のデータセットを用いて,我々のアプローチを評価する。これらの結果は、埋め込みモデルとrnnsのような逐次モデルの組み合わせが知識の追跡にとって有望な新しい方向性であることを示唆している。

関連論文リスト

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文参考訳（メタデータ） (2024-10-31T22:54:34Z)
Temporal Graph Memory Networks For Knowledge Tracing [0.40964539027092906]
本稿では,深部時間グラフメモリネットワークを用いて,知識状態の関連性と時間的ダイナミクスを協調的にモデル化する手法を提案する。また,グラフメモリモジュール上の時間減衰制約を用いて,学生の忘れ行動を表現する汎用手法を提案する。
論文参考訳（メタデータ） (2024-09-23T07:47:02Z)
Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing [11.082908318943248]
本稿では,これらの問題に対処するためのグラフベースの合理的知識追跡手法GRKTを紹介する。本稿では,知識検索,記憶強化,知識学習・鍛造の3段階モデリングプロセスを提案する。
論文参考訳（メタデータ） (2024-06-07T10:14:30Z)
A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文参考訳（メタデータ） (2023-09-16T09:15:37Z)
Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文参考訳（メタデータ） (2023-06-14T13:07:48Z)
A Unified Continuous Learning Framework for Multi-modal Knowledge Discovery and Pre-training [73.7507857547549]
本稿では,継続的学習フレームワークにおける知識発見とマルチモーダル事前学習の統合を提案する。知識発見のために、事前訓練されたモデルを用いてグラフ上のクロスモーダルリンクを識別する。モデル事前トレーニングでは、モデル更新をガイドする外部知識として知識グラフが使用される。
論文参考訳（メタデータ） (2022-06-11T16:05:06Z)
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2021-11-24T04:34:26Z)
Mixture-of-Variational-Experts for Continual Learning [0.0]
学習と忘れのトレードオフを促進する最適原理を提案する。我々はMixture-of-Variational-Experts (MoVE)と呼ばれる連続学習のためのニューラルネットワーク層を提案する。 MNISTおよびCIFAR10データセットの変種に関する実験は、MoVE層の競合性能を示す。
論文参考訳（メタデータ） (2021-10-25T06:32:06Z)
Deep Graph Memory Networks for Forgetting-Robust Knowledge Tracing [5.648636668261282]
本稿では,新しい知識追跡モデル,すなわちemphDeep Graph Memory Network(DGMN)を提案する。このモデルでは、忘れる動作を捉えるために、注意記憶構造に忘れるゲーティング機構を組み込む。このモデルは動的潜在概念グラフから潜在概念間の関係を学習する能力を有する。
論文参考訳（メタデータ） (2021-08-18T12:04:10Z)
Deep Knowledge Tracing with Learning Curves [0.9088303226909278]
本稿では,進化的知識追跡(CAKT)モデルを提案する。このモデルは、3次元畳み込みニューラルネットワークを用いて、次の質問で同じ知識の概念を適用した学生の最近の経験を明示的に学習する。 CAKTは,既存のモデルと比較して,生徒の反応を予測する上で,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-07-26T15:24:51Z)
A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-04-04T14:59:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。