論文の概要: Reinforcement Learning for Education: Opportunities and Challenges

• arxiv url: http://arxiv.org/abs/2107.08828v1
• Date: Thu, 15 Jul 2021 21:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 15:14:56.623251
• Title: Reinforcement Learning for Education: Opportunities and Challenges
• Title（参考訳）: 教育のための強化学習 : 機会と課題
• Authors: Adish Singla, Anna N. Rafferty, Goran Radanovic, Neil T. Heffernan
• Abstract要約: この調査記事は、教育データマイニング(EDM)2021カンファレンスで著者らが主催したRL4EDワークショップから生まれたものだ。 我々はこのワークショップを,強化学習(RL)と教育(ED)の幅広い分野に関心を持つ研究者や実践者を集結させるために,コミュニティ構築活動の一環として組織した。 本稿では,ワークショップ活動の概要と,EDのRL領域における研究の方向性について概説する。
• 参考スコア（独自算出の注目度）: 29.857231850669045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This survey article has grown out of the RL4ED workshop organized by the authors at the Educational Data Mining (EDM) 2021 conference. We organized this workshop as part of a community-building effort to bring together researchers and practitioners interested in the broad areas of reinforcement learning (RL) and education (ED). This article aims to provide an overview of the workshop activities and summarize the main research directions in the area of RL for ED.
• Abstract（参考訳）: この調査記事は、教育データマイニング(EDM)2021カンファレンスで著者らが主催したRL4EDワークショップから生まれたものだ。 我々はこのワークショップを,強化学習(RL)と教育(ED)の幅広い分野に関心を持つ研究者や実践者を集結させるために,コミュニティ構築活動の一環として組織した。 本稿では,ワークショップ活動の概要と,rl for edの分野における主な研究方向について概説する。

関連論文リスト

• Generative AI for Education (GAIED): Advances, Opportunities, and Challenges [29.409073559731233]
  この調査記事は、NeurIPS 2023カンファレンスで著者が主催したGAIEDワークショップから生まれたものだ。 我々は、GAIEDワークショップを、研究者、教育者、実践者を集結させるコミュニティ構築活動の一環として組織し、教育向上のための生成AIの可能性を探究した。
  論文  参考訳（メタデータ） (2024-02-02T17:19:20Z)
• Bridging Evolutionary Algorithms and Reinforcement Learning: A Comprehensive Survey on Hybrid Algorithms [50.91348344666895]
  進化的強化学習(ERL)は進化的アルゴリズム(EA)と強化学習(RL)を統合して最適化する。 本調査では,ERLの多様な研究分野について概観する。
  論文  参考訳（メタデータ） (2024-01-22T14:06:37Z)
• DMLR: Data-centric Machine Learning Research -- Past, Present and Future [94.06475098911947]
  我々は、機械学習科学を前進させる次世代のパブリックデータセットを作成するためのコミュニティエンゲージメントとインフラ開発との関係について概説する。 われわれは、これらのデータセットの作成と維持を継続し、ポジティブな科学的、社会的、ビジネスへの影響への道のりを図った。
  論文  参考訳（メタデータ） (2023-11-21T22:29:25Z)
• A Comprehensive Overview of Large Language Models [68.22178313875618]
  大規模言語モデル(LLM)は、最近自然言語処理タスクにおいて顕著な機能を示した。 本稿では, LLM関連概念の幅広い範囲について, 既存の文献について概説する。
  論文  参考訳（メタデータ） (2023-07-12T20:01:52Z)
• Evolutionary Reinforcement Learning: A Survey [31.112066295496003]
  強化学習(Reinforcement Learning、RL)は、エージェントが環境とのインタラクションを通じて累積報酬を最大化するように訓練する機械学習アプローチである。 本稿では、進化強化学習(EvoRL)と呼ばれる、ECをRLに統合するための最先端手法に関する総合的な調査を紹介する。
  論文  参考訳（メタデータ） (2023-03-07T01:38:42Z)
• Ensemble Reinforcement Learning: A Survey [43.17635633600716]
  強化学習(Reinforcement Learning, RL)は, 様々な科学的, 応用的な問題に対処するための, 極めて効果的な手法として登場した。 これに対し, アンサンブル強化学習(ERL)は, RLとアンサンブル学習(EL)の両方の利点を組み合わせた有望なアプローチであり, 広く普及している。 ERLは複数のモデルやトレーニングアルゴリズムを活用して、問題空間を包括的に探索し、強力な一般化能力を持つ。
  論文  参考訳（メタデータ） (2023-03-05T09:26:44Z)
• Challenges and Applications of Automated Extraction of Socio-political Events from Text (CASE 2022): Workshop and Shared Task Report [1.9964848378974727]
  EMNLP 2022の範囲で開催されているCASEワークショップ第5版の概要について述べる。 このワークショップは、技術および社会科学分野にわたるイベント情報収集のあらゆる側面をまとめている。 深層化の進展に加え、マルチモーダルアプローチの提出と受容は、この学際的な研究トピックの拡大を示している。
  論文  参考訳（メタデータ） (2022-11-21T11:22:32Z)
• MineRL Diamond 2021 Competition: Overview, Results, and Lessons Learned [60.11039031794829]
  強化学習コンペティションは、特定の問題に対する解決策を開発するための適切なスコープと支援を提供することによって、分野を前進させる。 私たちはMineRL ObtainDiamondコンペティションの第3回MineRL Diamond 2021を開催しました。 この簡単なトラックの参加者はダイヤモンドを得ることができ、難しいトラックの参加者は同じタスクで一般化可能なソリューションを進めた。
  論文  参考訳（メタデータ） (2022-02-17T13:37:35Z)
• Distributed Deep Reinforcement Learning: An Overview [0.0]
  本稿では,DRLにおける分散アプローチの役割について調査する。 本稿では,DRLにおける分散手法の活用方法に大きな影響を与える重要な研究成果について概説する。 また,これらの手法を異なるタスクで評価し,その性能を1人のアクターと学習者エージェントで比較する。
  論文  参考訳（メタデータ） (2020-11-22T13:24:35Z)

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。