論文の概要: Looking For A Match: Self-supervised Clustering For Automatic Doubt
Matching In e-learning Platforms
- arxiv url: http://arxiv.org/abs/2208.09600v1
- Date: Sat, 20 Aug 2022 04:12:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:48:06.952528
- Title: Looking For A Match: Self-supervised Clustering For Automatic Doubt
Matching In e-learning Platforms
- Title(参考訳): マッチを探す: e-learningプラットフォームにおける自動疑似マッチングのための自己教師付きクラスタリング
- Authors: Vedant Sandeep Joshi and Sivanagaraja Tatinati and Yubo Wang
- Abstract要約: 我々は,自己教師型手法を用いて学習した表現に基づいて,ラベルに依存しない疑似マッチングパラダイムを開発する。
本稿では、ドメイン固有の拡張と対照的な目的を、適切に構築されたさまざまなデータビューに対して組み合わせたカスタムBYOLを提案する。
- 参考スコア(独自算出の注目度): 1.0705399532413613
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recently, e-learning platforms have grown as a place where students can post
doubts (as a snap taken with smart phones) and get them resolved in minutes.
However, the significant increase in the number of student-posted doubts with
high variance in quality on these platforms not only presents challenges for
teachers' navigation to address them but also increases the resolution time per
doubt. Both are not acceptable, as high doubt resolution time hinders the
students learning progress. This necessitates ways to automatically identify if
there exists a similar doubt in repository and then serve it to the teacher as
the plausible solution to validate and communicate with the student. Supervised
learning techniques (like Siamese architecture) require labels to identify the
matches, which is not feasible as labels are scarce and expensive. In this
work, we, thus, developed a label-agnostic doubt matching paradigm based on the
representations learnt via self-supervised technique. Building on prior
theoretical insights of BYOL (bootstrap your own latent space), we propose
custom BYOL which combines domain-specific augmentation with contrastive
objective over a varied set of appropriately constructed data views. Results
highlighted that, custom BYOL improves the top-1 matching accuracy by
approximately 6\% and 5\% as compared to both BYOL and supervised learning
instances, respectively. We further show that both BYOL-based learning
instances performs either on par or better than human labeling.
- Abstract(参考訳): 近年、E-ラーニングプラットフォームは、学生が疑念を投稿し(スマートフォンのスナップとして)数分で解決できる場所として成長している。
しかし,これらのプラットフォームにおける質のばらつきが著しい学生投稿疑念の増大は,教師のナビゲーションの課題を提示するだけでなく,疑念ごとの解決時間も増大させる。
高い疑念の解決時間が生徒の進歩を妨げるため、どちらも受け入れられない。
これは、リポジトリに類似した疑念があるかどうかを自動的に識別し、それを教師に提供し、生徒と検証し、コミュニケーションするためのもっともらしいソリューションである。
教師付き学習技術(シームズ建築のような)は、ラベルが不足し高価であるため、マッチを特定するためにラベルを必要とする。
そこで本研究では,自己指導技術を用いて学習した表現に基づいて,ラベルに依存しない疑似マッチングパラダイムを開発した。
BYOL(bootstrap your own latent space)の以前の理論的洞察に基づいて、適切な構築されたデータビューのさまざまなセットに対して、ドメイン固有の拡張と対照的な目的を組み合わせたカスタムBYOLを提案する。
その結果、カスタムbyolは、byolと教師付き学習インスタンスの両方と比較して、top-1マッチング精度を約6\%と5\%改善した。
さらに、BYOLベースの学習インスタンスが、人間のラベル付けよりも同等か優れていることを示す。
関連論文リスト
- CMOSE: Comprehensive Multi-Modality Online Student Engagement Dataset with High-Quality Labels [26.537675109294234]
本稿では,異なるエンゲージメントレベルからの大量のデータと,心理的アドバイスに従ってアノテートされた高品質なラベルを含むCMOSEデータセットを提案する。
また,クラス内多様度とクラス内多様度の順序パターンを扱うためのトレーニング機構であるMocoRankを提案する。
論文 参考訳(メタデータ) (2023-12-14T16:04:14Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳(メタデータ) (2023-12-02T16:23:52Z) - Improving the Robustness of Distantly-Supervised Named Entity Recognition via Uncertainty-Aware Teacher Learning and Student-Student Collaborative Learning [24.733773208117363]
自己学習段階における偽ラベルの誤りを減らすために,不確かさを意識した教師学習を提案する。
また、2つの学生ネットワーク間で信頼性の高いラベルを転送できる学生・学生協調学習を提案する。
提案手法を5つのDS-NERデータセット上で評価し,提案手法が最先端のDS-NER手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-11-14T09:09:58Z) - DualMatch: Robust Semi-Supervised Learning with Dual-Level Interaction [10.775623936099173]
従来の半教師付き学習手法は、通常、異なるデータ拡張ビューのモデル予測を単一レベルのインタラクション方法で一致させる。
本稿では,DualMatchと呼ばれる新しいSSL方式を提案する。
標準SSL設定では、SOTA法と比較して9%のエラー削減が達成されるが、より困難なクラス不均衡設定でも6%のエラー削減が達成できる。
論文 参考訳(メタデータ) (2023-10-25T08:34:05Z) - Detecting Disengagement in Virtual Learning as an Anomaly [4.706263507340607]
学生エンゲージメントは、仮想学習プログラムの目標を達成する上で重要な要素である。
本稿では,仮想学習における解離を異常検出問題として定式化する。
我々は、時間畳み込みネットワークオートエンコーダ、長期記憶オートエンコーダなど、様々なオートエンコーダを設計する。
論文 参考訳(メタデータ) (2022-11-13T10:29:25Z) - Switchable Online Knowledge Distillation [68.2673580932132]
オンライン知識蒸留(OKD)は、教師と学生の違いを相互に活用することで、関係するモデルを改善する。
そこで我々は,これらの疑問に答えるために,スイッチブルオンライン知識蒸留(SwitOKD)を提案する。
論文 参考訳(メタデータ) (2022-09-12T03:03:40Z) - Label Matching Semi-Supervised Object Detection [85.99282969977541]
半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。
ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。
本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-14T05:59:41Z) - Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need
in MOOC Forums [58.221459787471254]
大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。
多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。
MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。
本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
論文 参考訳(メタデータ) (2021-04-26T15:12:13Z) - SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。
まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。
次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文 参考訳(メタデータ) (2020-11-20T08:26:10Z) - Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。
本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-18T08:52:15Z)
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。