論文の概要: Learning Latent and Hierarchical Structures in Cognitive Diagnosis
Models
- arxiv url: http://arxiv.org/abs/2104.02143v1
- Date: Mon, 5 Apr 2021 20:33:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:56:26.424539
- Title: Learning Latent and Hierarchical Structures in Cognitive Diagnosis
Models
- Title(参考訳): 認知診断モデルにおける潜在構造と階層構造の学習
- Authors: Chenchen Ma and Gongjun Xu
- Abstract要約: 認知診断モデル(cdms)の重要な構成要素は、アイテムと潜在属性の間の依存構造を特徴づけるバイナリ$q$-matrixである。
本稿では,観測データからCDMの潜在構造と階層構造を共同学習する問題を検討する。
効率的な期待最大化アルゴリズムと潜在構造回復アルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 3.4646560112467037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive Diagnosis Models (CDMs) are a special family of discrete latent
variable models that are widely used in modern educational, psychological,
social and biological sciences. A key component of CDMs is a binary $Q$-matrix
characterizing the dependence structure between the items and the latent
attributes. Additionally, researchers also assume in many applications certain
hierarchical structures among the latent attributes to characterize their
dependence. In most CDM applications, the attribute-attribute hierarchical
structures, the item-attribute $Q$-matrix, the item-level diagnostic model, as
well as the number of latent attributes, need to be fully or partially
pre-specified, which however may be subjective and misspecified as noted by
many recent studies. This paper considers the problem of jointly learning these
latent and hierarchical structures in CDMs from observed data with minimal
model assumptions. Specifically, a penalized likelihood approach is proposed to
select the number of attributes and estimate the latent and hierarchical
structures simultaneously. An efficient expectation-maximization (EM) algorithm
and a latent structure recovery algorithm are developed, and statistical
consistency theory is also established under mild conditions. The good
performance of the proposed method is illustrated by simulation studies and a
real data application in educational assessment.
- Abstract(参考訳): 認知診断モデル (CDMs) は、現代の教育、心理学、社会、生物学的科学で広く使われている離散潜在変数モデルの特殊なファミリーである。
CDMの重要なコンポーネントは、アイテムと潜在属性の間の依存構造を特徴付けるバイナリ$Q$-matrixである。
さらに研究者は、多くの応用において、潜在属性の特定の階層構造が依存を特徴付けると仮定している。
ほとんどのCDMアプリケーションでは、属性属性の階層構造、アイテム属性の$Q$-matrix、アイテムレベルの診断モデル、潜在属性の数などは、完全にまたは部分的に指定する必要がある。
本稿では、最小モデル仮定による観測データから、CDMにおけるこれらの潜在構造と階層構造を共同学習する問題を考察する。
具体的には,属性数を選抜し,潜在構造と階層構造を同時に推定するために,ペナルティ化確率法を提案する。
効率的な期待最大化(em)アルゴリズムと潜在構造回復アルゴリズムを開発し,軽度条件下で統計的一貫性理論も確立した。
提案手法の優れた性能はシミュレーション研究と実データを用いた教育評価によって説明される。
関連論文リスト
- CDS: Data Synthesis Method Guided by Cognitive Diagnosis Theory [38.32540433374892]
本研究では,認知診断理論(CDT)を用いた大規模言語モデル(LLM)の精度評価と目標拡張を目的とした認知診断合成(CDS)手法を提案する。
複雑なタスクを個別の知識ポイントに分解することで、CDSはモデルの弱点をターゲットとするデータを正確に識別し、合成し、モデルの性能を向上させる。
このフレームワークは、知識点評価、合成、データ拡張、フィルタリングによって駆動される包括的なパイプラインを提案し、最適なシナリオにおいて最大11.12%の改善を達成し、モデルの数学的およびコーディング能力を大幅に改善する。
論文 参考訳(メタデータ) (2025-01-13T20:13:59Z) - Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳(メタデータ) (2024-11-10T16:40:27Z) - Multimodal Structure Preservation Learning [13.868320911807587]
データ表現を学習する新しい方法として,マルチモーダル構造保存学習(MSPL)を提案する。
合成時系列データ中の潜伏構造を解明し,全ゲノムシークエンシングおよび抗菌抵抗性データからクラスターを回収するためのMSPLの有効性を実証した。
論文 参考訳(メタデータ) (2024-10-29T20:21:40Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳(メタデータ) (2024-06-01T18:01:03Z) - Learning Hierarchical Features with Joint Latent Space Energy-Based
Prior [44.4434704520236]
階層表現学習における多層ジェネレータモデルの基本的問題について検討する。
実効的階層型表現学習のための多層潜在変数を用いた有意な潜在空間EMM事前モデルを提案する。
論文 参考訳(メタデータ) (2023-10-14T15:44:14Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳(メタデータ) (2023-06-20T14:21:58Z) - Incorporating Domain Knowledge in Deep Neural Networks for Discrete
Choice Models [0.5801044612920815]
本稿では,DCMにおけるデータ駆動型アプローチの可能性を拡張するフレームワークを提案する。
これには、必要な関係を表す擬似データサンプルと、その実現度を測定する損失関数が含まれる。
ケーススタディは、このフレームワークの個別選択分析の可能性を示している。
論文 参考訳(メタデータ) (2023-05-30T12:53:55Z) - Feature construction using explanations of individual predictions [0.0]
本稿では,予測モデルのインスタンスベース説明の集約に基づく探索空間の削減手法を提案する。
これらのグループに対する探索の削減が特徴構築の時間を大幅に短縮することを実証的に示す。
いくつかの分類器の分類精度を大幅に向上させ,大規模データセットにおいても提案する特徴構築の実現可能性を示した。
論文 参考訳(メタデータ) (2023-01-23T18:59:01Z) - A General Framework for Sample-Efficient Function Approximation in
Reinforcement Learning [132.45959478064736]
モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。
最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。
本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-09-30T17:59:16Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳(メタデータ) (2020-09-25T12:01:53Z)
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。