論文の概要: Graph-based Ensemble Machine Learning for Student Performance Prediction

• arxiv url: http://arxiv.org/abs/2112.07893v1
• Date: Wed, 15 Dec 2021 05:19:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-16 13:59:04.646596
• Title: Graph-based Ensemble Machine Learning for Student Performance Prediction
• Title（参考訳）: 学生のパフォーマンス予測のためのグラフベースアンサンブル機械学習
• Authors: Yinkai Wang, Aowei Ding, Kaiyi Guan, Shixi Wu, Yuanqi Du
• Abstract要約: 本研究では,単一の機械学習手法の安定性を向上させるために,グラフベースのアンサンブル機械学習手法を提案する。 私たちのモデルは、予測精度が最大14.8%向上する従来の機械学習アルゴリズムよりも優れています。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Student performance prediction is a critical research problem to understand the students' needs, present proper learning opportunities/resources, and develop the teaching quality. However, traditional machine learning methods fail to produce stable and accurate prediction results. In this paper, we propose a graph-based ensemble machine learning method that aims to improve the stability of single machine learning methods via the consensus of multiple methods. To be specific, we leverage both supervised prediction methods and unsupervised clustering methods, build an iterative approach that propagates in a bipartite graph as well as converges to more stable and accurate prediction results. Extensive experiments demonstrate the effectiveness of our proposed method in predicting more accurate student performance. Specifically, our model outperforms the best traditional machine learning algorithms by up to 14.8% in prediction accuracy.
• Abstract（参考訳）: 学生のパフォーマンス予測は,学生のニーズを理解し,適切な学習機会/資源を提示し,授業の質を高めるための重要な研究課題である。 しかし、従来の機械学習手法では、安定した正確な予測結果が得られない。 本論文では,複数手法のコンセンサスによる単一機械学習手法の安定性向上を目的とした,グラフベースのアンサンブル機械学習手法を提案する。 具体的には、教師付き予測法と教師なしクラスタリング法の両方を利用し、二部グラフに伝播する反復的アプローチを構築し、より安定で正確な予測結果に収束する。 より正確な学生成績を予測するため,提案手法の有効性を実証した。 具体的には、従来の機械学習アルゴリズムを最大14.8%の予測精度で上回っている。

関連論文リスト

• Integrating behavior analysis with machine learning to predict online learning performance: A scientometric review and empirical study [6.133369217932887]
  本研究では,学習行動分析をMLアルゴリズムと組み合わせて学習者のオンライン学習成績の予測精度を高める統合フレームワークを提案する。 その結果,本フレームワークは,自律的な学生にほぼ完璧な予測性能を与え,モチベーションのある学生に満足できる性能を与えることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T03:29:02Z)
• 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)
• Manipulating Predictions over Discrete Inputs in Machine Teaching [43.914943603238996]
  本稿では,個別領域における機械教育,特に教師の目標に基づいて学生モデルの予測を効率的に学習データを変更することに焦点を当てた。 本稿では,この課題を最適化問題として定式化し,反復探索アルゴリズムを提案する。 本アルゴリズムは,教師が生徒のモデルを改善するために誤予測を修正しようとする場合や,特定のサンプルを対象のクラスに不正に分類するために悪質な操作を行う場合において,有意義な数値的メリットを示す。
  論文  参考訳（メタデータ） (2024-01-31T14:23:51Z)
• A Self-supervised Contrastive Learning Method for Grasp Outcomes Prediction [9.865029065814236]
  比較学習法は,結果予測の把握に有効であることを示す。 本研究は,ロボットグルーピング分野への応用において,コントラスト学習手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-06-26T06:06:49Z)
• A Predictive Model using Machine Learning Algorithm in Identifying Students Probability on Passing Semestral Course [0.0]
  本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。 新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
  論文  参考訳（メタデータ） (2023-04-12T01:57:08Z)
• 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)
• Weighted Ensemble Self-Supervised Learning [67.24482854208783]
  組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。 我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。 提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
  論文  参考訳（メタデータ） (2022-11-18T02:00:17Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。