論文の概要: Self-supervised Graph Learning for Long-tailed Cognitive Diagnosis
- arxiv url: http://arxiv.org/abs/2210.08169v1
- Date: Sat, 15 Oct 2022 02:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 17:42:10.716230
- Title: Self-supervised Graph Learning for Long-tailed Cognitive Diagnosis
- Title(参考訳): 長期認知診断のための自己教師付きグラフ学習
- Authors: Shanshan Wang, Zhen Zeng, Xun Yang, Xingyi Zhang
- Abstract要約: グラフに基づく認知診断を支援するための自己教師付き認知診断(SCD)フレームワークを提案する。
具体的には,グラフのスパースビューを生成するために,特定のルールの下でエッジをドロップするグラフ混乱法を考案した。
- 参考スコア(独自算出の注目度): 25.78814557029563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive diagnosis is a fundamental yet critical research task in the field
of intelligent education, which aims to discover the proficiency level of
different students on specific knowledge concepts. Despite the effectiveness of
existing efforts, previous methods always considered the mastery level on the
whole students, so they still suffer from the Long Tail Effect. A large number
of students who have sparse data are performed poorly in the model. To relieve
the situation, we proposed a Self-supervised Cognitive Diagnosis (SCD)
framework which leverages the self-supervised manner to assist the graph-based
cognitive diagnosis, then the performance on those students with sparse data
can be improved. Specifically, we came up with a graph confusion method that
drops edges under some special rules to generate different sparse views of the
graph. By maximizing the consistency of the representation on the same node
under different views, the model could be more focused on long-tailed students.
Additionally, we proposed an importance-based view generation rule to improve
the influence of long-tailed students. Extensive experiments on real-world
datasets show the effectiveness of our approach, especially on the students
with sparse data.
- Abstract(参考訳): 認知的診断は知的教育における基礎的かつ批判的な研究課題であり、特定の知識概念に基づいて異なる生徒の習熟度を検出することを目的としている。
既存の取り組みの有効性にもかかわらず、従来の方法は学生全体の熟練レベルを常に考慮しており、ロングテール効果に苦しむ。
このモデルでは、スパースデータを持つ多数の学生が不十分に実行される。
そこで我々は,グラフに基づく認知診断を支援する自己教師型認知診断(SCD)フレームワークを提案する。
具体的には,グラフのスパースビューを生成するために,特定のルールの下でエッジをドロップするグラフ混乱法を考案した。
異なるビューの下で同じノード上の表現の一貫性を最大化することで、モデルはよりロングテールの学生に焦点を合わせることができる。
また,ロングテールの学生の影響を改善するために,重要度に基づく視点生成ルールを提案した。
実世界のデータセットに対する大規模な実験は、我々のアプローチの有効性を示している。
関連論文リスト
- Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳(メタデータ) (2023-11-13T14:36:29Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳(メタデータ) (2023-09-13T15:42:06Z) - Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。
これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。
独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-16T13:32:43Z) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳(メタデータ) (2023-07-10T15:35:31Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳(メタデータ) (2023-04-06T03:02:54Z) - Coarse-to-Fine Contrastive Learning on Graphs [38.41992365090377]
ノード表現を自己管理的に学習するために、さまざまなグラフ拡張戦略が採用されている。
我々は,異なるノード間の識別情報を確実に維持するために,自己評価パラダイムを導入する。
各種ベンチマークデータセットの実験結果から,提案アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2022-12-13T08:17:20Z) - Self-supervised Representation Learning on Electronic Health Records
with Graph Kernel Infomax [4.133378723518227]
EHRのグラフィカル表現に対する自己教師付きグラフカーネル学習手法であるGraph Kernel Infomaxを提案する。
最先端とは違って、グラフ構造を変更して拡張ビューを構築することはできません。
我々のアプローチは、最先端を超える臨床下流課題にパフォーマンスをもたらす。
論文 参考訳(メタデータ) (2022-09-01T16:15:08Z) - A Survey on Long-Tailed Visual Recognition [13.138929184395423]
我々は、長い尾を持つデータ分布に起因する問題に焦点をあて、代表的な長い尾を持つ視覚認識データセットを整理し、いくつかの主流の長い尾を持つ研究を要約する。
Gini係数に基づいて、過去10年間に提案された20の広範に利用されている大規模ビジュアルデータセットを定量的に研究する。
論文 参考訳(メタデータ) (2022-05-27T06:22:55Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - Iterative Graph Self-Distillation [161.04351580382078]
我々は、IGSD(Iterative Graph Self-Distillation)と呼ばれる新しい教師なしグラフ学習パラダイムを提案する。
IGSDは、グラフ拡張による教師/学生の蒸留を反復的に行う。
我々は,教師なしと半教師なしの両方の設定において,さまざまなグラフデータセットに対して,有意かつ一貫したパフォーマンス向上を実現していることを示す。
論文 参考訳(メタデータ) (2020-10-23T18:37:06Z)
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。