論文の概要: Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction

• arxiv url: http://arxiv.org/abs/2107.10424v1
• Date: Thu, 22 Jul 2021 02:35:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 15:24:06.312586
• Title: Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction
• Title（参考訳）: トップ$kの学習性能予測のための三分岐畳み込みニューラルネットワーク
• Authors: Chaoran Cui, Jian Zong, Yuling Ma, Xinhua Wang, Lei Guo, Meng Chen, Yilong Yin
• Abstract要約: 学業成績予測は、学生に関連する情報を活用し、将来の学業成果を予測することを目的としている。 本稿では、学生の日常行動軌跡を分析し、キャンパスのスマートカード記録を網羅的に追跡する。 本稿では,行ワイド,列ワイド,深さワイドのコンボリューションとアテンション操作を備えた新しいTri-Branch CNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 28.383922154797315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Academic performance prediction aims to leverage student-related information to predict their future academic outcomes, which is beneficial to numerous educational applications, such as personalized teaching and academic early warning. In this paper, we address the problem by analyzing students' daily behavior trajectories, which can be comprehensively tracked with campus smartcard records. Different from previous studies, we propose a novel Tri-Branch CNN architecture, which is equipped with row-wise, column-wise, and depth-wise convolution and attention operations, to capture the characteristics of persistence, regularity, and temporal distribution of student behavior in an end-to-end manner, respectively. Also, we cast academic performance prediction as a top-$k$ ranking problem, and introduce a top-$k$ focused loss to ensure the accuracy of identifying academically at-risk students. Extensive experiments were carried out on a large-scale real-world dataset, and we show that our approach substantially outperforms recently proposed methods for academic performance prediction. For the sake of reproducibility, our codes have been released at https://github.com/ZongJ1111/Academic-Performance-Prediction.
• Abstract（参考訳）: アカデミックパフォーマンス予測(academic performance prediction)は、学生関連の情報を活用して将来の学術成果を予測することを目的としている。 本稿では,キャンパスのスマートカード記録を用いて包括的に追跡できる学生の日常行動軌跡を分析し,この問題に対処する。 従来の研究と異なり, 縦方向, 縦方向, 縦方向, 奥行き方向の畳み込みと注意操作を備え, 生徒の行動の持続性, 規則性, 時間的分布をそれぞれエンドツーエンドで把握する, 新たなトリブランチcnnアーキテクチャを提案する。 また,アカデミック・パフォーマンスの予測を上位$k$のランキング問題として位置づけ,上位$k$の集中的損失を導入することで,アカデミック・アリスクの学生を識別する精度を確保する。 大規模実世界のデータセット上で大規模な実験を行い,近年提案する学術的性能予測手法を実質的に上回っていることを示す。 再現性のために、我々のコードはhttps://github.com/ZongJ1111/Academic-Performance-Prediction.comでリリースされた。

関連論文リスト

• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)
• Enhancing Deep Knowledge Tracing with Auxiliary Tasks [24.780533765606922]
  本稿では,emphAT-DKTによる知識追跡モデルの予測性能の向上について述べる。 実世界の3つの教育データセットに関する総合的な実験を行い、提案手法を深部逐次KTモデルと非逐次モデルの両方と比較する。
  論文  参考訳（メタデータ） (2023-02-14T08:21:37Z)
• Understanding Self-Predictive Learning for Reinforcement Learning [61.62067048348786]
  強化学習のための自己予測学習の学習ダイナミクスについて検討する。 本稿では,2つの表現を同時に学習する新しい自己予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-06T20:43:37Z)
• AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems [102.95119281306893]
  我々は、AUCを最適化するための敵の訓練方法を探求するための早期トライアルを提示する。 我々は、AUC最適化問題をサドル点問題として再構成し、目的がインスタンスワイズ関数となる。 我々の分析は, min-max問題の勾配を計算して, 逆例を生成するアルゴリズムが求められているため, 既存の研究と異なる。
  論文  参考訳（メタデータ） (2022-06-24T09:13:39Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Who will dropout from university? Academic risk prediction based on interpretable machine learning [0.0]
  LightGBMモデルとShapley値の解釈可能な機械学習手法に基づいて,学術的リスクを予測する。 地域の観点からは、学術的リスクに影響する要因は人によって異なる。
  論文  参考訳（メタデータ） (2021-12-02T09:43:31Z)
• Jointly Modeling Heterogeneous Student Behaviors and Interactions Among Multiple Prediction Tasks [35.15654921278549]
  学生の予測課題は学生と大学生の両方にとって実用的な意味を持つ。 本稿では,不均一な振る舞いをモデル化し,複数の予測を行う。 大学から収集した実世界のデータセットに基づいて,モチベーション行動予測タスクを3つ設計する。
  論文  参考訳（メタデータ） (2021-03-25T02:01:58Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)
• Academic Performance Estimation with Attention-based Graph Convolutional Networks [17.985752744098267]
  学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。 学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。 本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2019-12-26T23:11:27Z)

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。