論文の概要: Zero-1-to-3: Domain-level Zero-shot Cognitive Diagnosis via One Batch of Early-bird Students towards Three Diagnostic Objectives

• arxiv url: http://arxiv.org/abs/2312.13434v2
• Date: Fri, 22 Dec 2023 14:43:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-25 17:34:18.998344
• Title: Zero-1-to-3: Domain-level Zero-shot Cognitive Diagnosis via One Batch of Early-bird Students towards Three Diagnostic Objectives
• Title（参考訳）: Zero-1-to-3:3つの診断対象に対する早期学生の1バッチによるドメインレベルのゼロショット認知診断
• Authors: Weibo Gao, Qi Liu, Hao Wang, Linan Yue, Haoyang Bi, Yin Gu, Fangzhou Yao, Zheng Zhang, Xin Li, Yuanjing He
• Abstract要約: ドメインレベルのゼロショット認知診断(DZCD) 最近のクロスドメイン診断モデルはDZCDにとって有望な戦略であることが示されている。 早期学生の1バッチを通したドメインレベルのゼロショット認知診断フレームワークZero-1-to-3を提案する。
• 参考スコア（独自算出の注目度）: 16.964558645359862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive diagnosis seeks to estimate the cognitive states of students by exploring their logged practice quiz data. It plays a pivotal role in personalized learning guidance within intelligent education systems. In this paper, we focus on an important, practical, yet often underexplored task: domain-level zero-shot cognitive diagnosis (DZCD), which arises due to the absence of student practice logs in newly launched domains. Recent cross-domain diagnostic models have been demonstrated to be a promising strategy for DZCD. These methods primarily focus on how to transfer student states across domains. However, they might inadvertently incorporate non-transferable information into student representations, thereby limiting the efficacy of knowledge transfer. To tackle this, we propose Zero-1-to-3, a domain-level zero-shot cognitive diagnosis framework via one batch of early-bird students towards three diagnostic objectives. Our approach initiates with pre-training a diagnosis model with dual regularizers, which decouples student states into domain-shared and domain-specific parts. The shared cognitive signals can be transferred to the target domain, enriching the cognitive priors for the new domain, which ensures the cognitive state propagation objective. Subsequently, we devise a strategy to generate simulated practice logs for cold-start students through analyzing the behavioral patterns from early-bird students, fulfilling the domain-adaption goal. Consequently, we refine the cognitive states of cold-start students as diagnostic outcomes via virtual data, aligning with the diagnosis-oriented goal. Finally, extensive experiments on six real-world datasets highlight the efficacy of our model for DZCD and its practical application in question recommendation.
• Abstract（参考訳）: 認知診断は、記録された実践クイズデータを探索することで、学生の認知状態を推定しようとする。 知的教育システムにおけるパーソナライズされた学習指導において重要な役割を果たす。 本稿では,新たに立ち上げられたドメインに学生の実践ログがないために生じる,ドメインレベルのゼロショット認知診断(DZCD)という,重要かつ実用的だがしばしば未発見の課題に焦点を当てる。 最近のクロスドメイン診断モデルはDZCDにとって有望な戦略であることが示されている。 これらの手法は主に、ドメイン間で学生状態を転送する方法に焦点を当てている。 しかし、生徒の表現に不注意な情報を組み込むことで、知識伝達の有効性を制限できる。 そこで本研究では,早期学習者の3つの診断目的に向けて,ドメインレベルのゼロショット認知診断フレームワークZero-1-to-3を提案する。 本手法は, 学生状態をドメイン共有部分とドメイン固有部分に分離する2つの正則化器を用いた診断モデルの事前学習から始める。 共有された認知信号は対象領域に転送することができ、新しい領域の認知的事前を豊かにすることにより、認知状態の伝播目標が保証される。 その後,早期学習者の行動パターンを解析し,ドメイン適応目標を達成し,冷間開始学生のための模擬実践ログを作成する戦略を考案した。 その結果, コールドスタート学生の認知状態は, 仮想データによる診断結果として洗練され, 診断目標と一致した。 最後に、実世界の6つのデータセットに対する広範な実験により、DZCDに対する我々のモデルの有効性と、その課題に対する実践的応用を強調した。

関連論文リスト

• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Towards Practical Application of Deep Learning in Diagnosis of Alzheimer's Disease [0.0]
  有名な2D CNNの3Dバージョンは、アルツハイマー病の様々な段階の診断のために設計、訓練、およびテストされた。 ディープラーニングアプローチは、1500以上の全脳ボリュームに対して、ADの様々なステージを識別する上で、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2022-12-08T19:21:51Z)
• Deep Grading based on Collective Artificial Intelligence for AD Diagnosis and Prognosis [0.0]
  アルツハイマー病の診断と予後を自動化するための新しい枠組みを提案する。 フレームワークは2つの段階から構成される。第1段階では,意味のある特徴を抽出するための深い階調モデルを提案する。 第2段階では、ADシグネチャをよりよくキャプチャするために、グラフ畳み込みニューラルネットワークを使用します。
  論文  参考訳（メタデータ） (2022-11-28T09:59:08Z)
• Attention-Guided Autoencoder for Automated Progression Prediction of Subjective Cognitive Decline with Structural MRI [25.149830893850005]
  本稿では,効率的なクロスドメイン適応のためのアテンション誘導型オートエンコーダモデルを提案する。 1)異なるドメインの共有部分空間表現を学習するための特徴符号化モジュール、2)脳のアトラスで定義された関心の識別脳領域を自動的に特定するための注意モジュール、3)元の入力を再構成するための復号モジュール、4)脳疾患の識別のための分類モジュールからなる。 提案したモデルは、CPU上でわずか5～10秒でトレーニングとテストが簡単で、小さなデータセットを持つ医療タスクに適している。
  論文  参考訳（メタデータ） (2022-06-24T19:35:56Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Zero-Shot Learning and its Applications from Autonomous Vehicles to COVID-19 Diagnosis: A Review [1.027974860479791]
  本稿では,人間の学習方法に類似した複雑な学習課題を扱うことを目的として,本論文を通じて有用な直観を伝えることを目的とする。 新型コロナウイルスの早期かつ迅速な診断に対処し、ZSLを使った他の類似のAIベースの自動検出/認識システムの開発を読者に促す。
  論文  参考訳（メタデータ） (2020-04-29T12:45:35Z)

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。