論文の概要: Exploring Common and Individual Characteristics of Students via Matrix Recovering

• arxiv url: http://arxiv.org/abs/2010.12290v1
• Date: Fri, 23 Oct 2020 10:42:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 23:01:04.743613
• Title: Exploring Common and Individual Characteristics of Students via Matrix Recovering
• Title（参考訳）: マトリックスリカバリによる学生の共通性と個性の検討
• Authors: Zhen Wang, Ben Teng, Yun Zhou, Hanshuang Tong and Guangtong Liu
• Abstract要約: グループ教育と個人指導のバランスをとることは、教育分野において重要な課題である。 学生の集団特性と個人特性を同時に検出する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 5.6763453501785115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Balancing group teaching and individual mentoring is an important issue in education area. The nature behind this issue is to explore common characteristics shared by multiple students and individual characteristics for each student. Biclustering methods have been proved successful for detecting meaningful patterns with the goal of driving group instructions based on students' characteristics. However, these methods ignore the individual characteristics of students as they only focus on common characteristics of students. In this article, we propose a framework to detect both group characteristics and individual characteristics of students simultaneously. We assume that the characteristics matrix of students' is composed of two parts: one is a low-rank matrix representing the common characteristics of students; the other is a sparse matrix representing individual characteristics of students. Thus, we treat the balancing issue as a matrix recovering problem. The experiment results show the effectiveness of our method. Firstly, it can detect meaningful biclusters that are comparable with the state-of-the-art biclutering algorithms. Secondly, it can identify individual characteristics for each student simultaneously. Both the source code of our algorithm and the real datasets are available upon request.
• Abstract（参考訳）: グループ指導と個人のメンタリングのバランスは、教育分野において重要な問題である。 本課題の背景には,複数の学生が共有する共通特性と各学生の個人特性について考察する。 バイクラスタ化手法は, 学生の特性に基づくグループ指導の推進を目的とした有意義なパターン検出に成功している。 しかし,これらの手法は,学生の共通特性のみに焦点を当てているため,生徒の個性を無視している。 本稿では,学生の集団特性と個人特性を同時に検出する枠組みを提案する。 学生」の特徴行列は,学生の共通特性を表す低ランク行列と,生徒の個人特性を表すスパース行列の2つの部分から構成されていると仮定する。 そこで我々は,バランス問題を行列回復問題として扱う。 実験の結果,本手法の有効性が示された。 まず、最先端の複クラタリングアルゴリズムに匹敵する有意義な二クラスタを検出できる。 第二に、各生徒の個々の特徴を同時に識別できる。 アルゴリズムのソースコードと実際のデータセットは、要求に応じて利用可能です。

関連論文リスト

• Identifiability Results for Multimodal Contrastive Learning [72.15237484019174]
  本研究では,以前研究したマルチビュー設定よりも,より一般的な設定で共有要因を復元可能であることを示す。 本研究は,マルチモーダル表現学習の理論的基盤を提供し,マルチモーダルコントラスト学習を実践的に効果的に設定する方法を説明する。
  論文  参考訳（メタデータ） (2023-03-16T09:14:26Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Protected Attributes Tell Us Who, Behavior Tells Us How: A Comparison of Demographic and Behavioral Oversampling for Fair Student Success Modeling [6.58879009604603]
  リスクのある学生を識別するために行動データを利用するモデルの公正性を解析し、バイアス軽減のための2つの新しい前処理アプローチを提案する。 交差性の概念に基づいて、第一のアプローチは、人口統計特性の組み合わせによるインテリジェントなオーバーサンプリングである。 第二のアプローチは、人口統計学的属性の知識を一切必要とせず、そのような属性が学生の行動の(騒々しい)プロキシであるという仮定に基づいている。
  論文  参考訳（メタデータ） (2022-12-20T11:09:11Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• Mitigating Biases in Student Performance Prediction via Attention-Based Personalized Federated Learning [7.040747348755578]
  従来の学習に基づく学生モデリングのアプローチは、データの可用性のバイアスにより、表現不足の学生グループにあまり一般化しない。 本研究では,オンライン学習活動から学生のパフォーマンスを予測する手法を提案し,人種や性別などの異なる集団を対象とした推論精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-02T00:22:20Z)
• Grouped Feature Importance and Combined Features Effect Plot [2.15867006052733]
  解釈可能な機械学習は、機械学習アルゴリズムの人気が高まり、研究の活発な領域となっている。 機能グループに対して,既存のモデル非依存手法をどのように定義できるかを包括的に概観し,機能グループの重要性を評価した。 本稿では,特徴のスパースで解釈可能な線形結合に基づいて,特徴群の効果を可視化する手法である複合特徴効果プロットを提案する。
  論文  参考訳（メタデータ） (2021-04-23T16:27:38Z)
• Quantifying Learnability and Describability of Visual Concepts Emerging in Representation Learning [91.58529629419135]
  我々は、ディープニューラルネットワークによって自動的に発見された視覚的なグルーピングを特徴付ける方法を検討する。 本稿では、任意の画像グループ化の解釈可能性の定量化に使用できる視覚的学習可能性と記述可能性という2つの概念を紹介する。
  論文  参考訳（メタデータ） (2020-10-27T18:41:49Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• A Machine Learning Approach to Assess Student Group Collaboration Using Individual Level Behavioral Cues [8.840643644938156]
  グループ全体のコラボレーション品質を自動的に決定するために,簡単なディープラーニングに基づく機械学習モデルを提案する。 1) 限られたトレーニングデータ、2) クラスラベルの不均衡が深刻である。
  論文  参考訳（メタデータ） (2020-07-13T20:15:29Z)
• DETECT: A Hierarchical Clustering Algorithm for Behavioural Trends in Temporal Educational Data [2.438894206045968]
  DETECT(Detection of Educational Trends Elicited by Clustering Time-Series data)は、新たな階層クラスタリングアルゴリズムである。 時間情報は、行動傾向の検出を優先するために、その客観的機能に組み込まれている。 適用が容易で、非常にカスタマイズ可能で、幅広い教育データセットに適用でき、容易に解釈可能な結果が得られる。
  論文  参考訳（メタデータ） (2020-05-04T01:34:47Z)
• Cross-modality Person re-identification with Shared-Specific Feature Transfer [112.60513494602337]
  クロスモダリティの人物再識別(cm-ReID)は、インテリジェントビデオ分析において難しいが重要な技術である。 モーダリティ共有型特徴伝達アルゴリズム (cm-SSFT) を提案し, モーダリティ共有型情報とモーダリティ固有特性の両方のポテンシャルについて検討する。
  論文  参考訳（メタデータ） (2020-02-28T00:18:45Z)

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。