論文の概要: SAINT+: Integrating Temporal Features for EdNet Correctness Prediction

• arxiv url: http://arxiv.org/abs/2010.12042v2
• Date: Mon, 1 Feb 2021 02:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:23:50.749304
• Title: SAINT+: Integrating Temporal Features for EdNet Correctness Prediction
• Title（参考訳）: SAINT+:EDNetの精度予測のための時間的特徴の統合
• Authors: Dongmin Shin, Yugeun Shim, Hangyeol Yu, Seewoo Lee, Byungsoo Kim, Youngduck Choi
• Abstract要約: SAINT+は、運動情報と学生の反応情報を処理するトランスフォーマーベースの知識追跡モデルである。 我々は、教育領域で最大の公開ベンチマークデータセットであるEdNetにおけるSAINT+の有効性を実証的に評価した。
• 参考スコア（独自算出の注目度）: 3.5721419893753796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose SAINT+, a successor of SAINT which is a Transformer based knowledge tracing model that separately processes exercise information and student response information. Following the architecture of SAINT, SAINT+ has an encoder-decoder structure where the encoder applies self-attention layers to a stream of exercise embeddings, and the decoder alternately applies self-attention layers and encoder-decoder attention layers to streams of response embeddings and encoder output. Moreover, SAINT+ incorporates two temporal feature embeddings into the response embeddings: elapsed time, the time taken for a student to answer, and lag time, the time interval between adjacent learning activities. We empirically evaluate the effectiveness of SAINT+ on EdNet, the largest publicly available benchmark dataset in the education domain. Experimental results show that SAINT+ achieves state-of-the-art performance in knowledge tracing with an improvement of 1.25% in area under receiver operating characteristic curve compared to SAINT, the current state-of-the-art model in EdNet dataset.
• Abstract（参考訳）: 本稿では,学習者情報と運動情報とを別々に処理する,トランスフォーマーに基づく知識追跡モデルSAINTの後継であるSAINT+を提案する。 SAINTのアーキテクチャに従って、SAINT+はエンコーダ・デコーダ構造を持ち、エンコーダは運動埋め込みのストリームに自己アテンション層を適用し、デコーダは、応答埋め込みとエンコーダ出力のストリームに自己アテンション層とエンコーダ・アテンション層を交互に適用する。 さらに、SAINT+は2つの時間的特徴埋め込みを反応埋め込みに組み込んでおり、時間経過、生徒が答えるのに要する時間、学習活動間の時間間隔であるラグ時間である。 教育領域で最大の公開ベンチマークデータセットであるEdNetにおけるSAINT+の有効性を実証的に評価した。 実験結果から,SAINT+は,EdNetデータセットの現在最先端モデルであるSAINTと比較して,レシーバ動作特性曲線下での領域の1.25%の改善により,知識追跡における最先端性を実現していることがわかった。

関連論文リスト

• SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised Temporal Action Segmentation [53.010417880335424]
  半教師付き時間的アクションセグメンテーション(SS-TA)は、長編ビデオにおいてフレームワイズ分類を行うことを目的としている。 近年の研究では、教師なし表現学習におけるコントラスト学習の可能性が示されている。 本稿では,SMC-NCA(Neighbourhood-Consistency-Aware Unit)を用いたセマンティック誘導型マルチレベルコントラスト方式を提案する。
  論文  参考訳（メタデータ） (2023-12-19T17:26:44Z)
• AEGIS-Net: Attention-guided Multi-Level Feature Aggregation for Indoor Place Recognition [12.728087388529028]
  AEGIS-Netは、RGBの点雲を取り込み、グローバルな位置記述子を生成する新しい屋内位置認識モデルである。 AEGIS-Netはセマンティックエンコーダ、セマンティックデコーダ、アテンション誘導機能埋め込みで構成されています。 我々は,ScanNetPRデータセット上でAIGIS-Netを評価し,その性能を事前学習機能ベース手法と5つの最先端ディープラーニングベース手法と比較した。
  論文  参考訳（メタデータ） (2023-12-15T05:09:08Z)
• PointCMP: Contrastive Mask Prediction for Self-supervised Learning on Point Cloud Videos [58.18707835387484]
  本稿では,ポイントクラウドビデオ上での自己教師型学習のための対照的なマスク予測フレームワークを提案する。 PointCMPは、局所的情報と大域的情報の両方を同時に学習するために、2分岐構造を用いる。 我々のフレームワークは、ベンチマークデータセットにおける最先端のパフォーマンスを達成し、既存のフル教師付きデータセットよりも優れています。
  論文  参考訳（メタデータ） (2023-05-06T15:47:48Z)
• Deeply-Coupled Convolution-Transformer with Spatial-temporal Complementary Learning for Video-based Person Re-identification [91.56939957189505]
  本稿では,高性能ビデオベース Re-ID のための新しい時空間補完学習フレームワークである Deeply-Coupled Convolution-Transformer (DCCT) を提案する。 私たちのフレームワークは、ほとんどの最先端のメソッドよりも優れたパフォーマンスを実現できます。
  論文  参考訳（メタデータ） (2023-04-27T12:16:44Z)
• Learning Appearance-motion Normality for Video Anomaly Detection [11.658792932975652]
  時空間記憶を付加した2ストリーム自動エンコーダフレームワークを提案する。 見た目の正常さと動きの正常さを独立に学習し、敵の学習を通して相関関係を探索する。 我々のフレームワークは最先端の手法より優れており、UCSD Ped2とCUHK Avenueのデータセットで98.1%、89.8%のAUCを実現している。
  論文  参考訳（メタデータ） (2022-07-27T08:30:19Z)
• Programming Knowledge Tracing: A Comprehensive Dataset and A New Model [26.63441910982382]
  本稿では,学生の行動予測の精度を高めるために,拡張された文脈を利用する新しいモデルPDKTを提案する。 プログラミング問題埋め込みのための二部グラフを構築し,コード埋め込みのための事前学習モデルPLCodeBERTを改良した。 新しいデータセットBePKTの実験結果から,提案モデルがプログラミング知識の追跡において最先端の性能を確立することを示す。
  論文  参考訳（メタデータ） (2021-12-11T02:13:11Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• Distilling Dense Representations for Ranking using Tightly-Coupled Teachers [52.85472936277762]
  我々は最近提案された後期相互作用ColBERTモデルを改善するために知識蒸留を適用した。 ColBERT の表現型 MaxSim 演算子から知識を抽出し、関連度スコアを単純な点積に変換する。 提案手法はクエリ待ち時間を改善し,ColBERTの面倒なストレージ要件を大幅に削減する。
  論文  参考訳（メタデータ） (2020-10-22T02:26:01Z)
• Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
  本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。 シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。 修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T17:59:35Z)
• Towards an Appropriate Query, Key, and Value Computation for Knowledge Tracing [2.1541440354538564]
  本稿では,知識追跡のためのトランスフォーマーベースモデルSAINTを提案する。 SAINTはエンコーダ・デコーダ構造を持ち、エクササイズと応答埋め込みシーケンスはそれぞれエンコーダとデコーダをそれぞれ別々に入力する。 これは知識追跡のためのエンコーダ・デコーダモデルとして,エクササイズとレスポンスを別々に適用する最初の試みである。
  論文  参考訳（メタデータ） (2020-02-14T09:21:19Z)

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。