論文の概要: ReliCD: A Reliable Cognitive Diagnosis Framework with Confidence Awareness

• arxiv url: http://arxiv.org/abs/2401.10749v1
• Date: Fri, 29 Dec 2023 07:30:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-28 16:06:10.699995
• Title: ReliCD: A Reliable Cognitive Diagnosis Framework with Confidence Awareness
• Title（参考訳）: ReliCD:信頼性を意識した信頼性認知診断フレームワーク
• Authors: Yunfei Zhang, Chuan Qin, Dazhong Shen, Haiping Ma, Le Zhang, Xingyi Zhang, Hengshu Zhu
• Abstract要約: 既存のアプローチは、生徒の熟達度を予測する際の過信の問題に悩まされることが多い。 本稿では,診断フィードバックの信頼性を定量的に評価できる,信頼性認知診断(ReliCD)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.60714613122676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the past few decades, cognitive diagnostics modeling has attracted increasing attention in computational education communities, which is capable of quantifying the learning status and knowledge mastery levels of students. Indeed, the recent advances in neural networks have greatly enhanced the performance of traditional cognitive diagnosis models through learning the deep representations of students and exercises. Nevertheless, existing approaches often suffer from the issue of overconfidence in predicting students' mastery levels, which is primarily caused by the unavoidable noise and sparsity in realistic student-exercise interaction data, severely hindering the educational application of diagnostic feedback. To address this, in this paper, we propose a novel Reliable Cognitive Diagnosis(ReliCD) framework, which can quantify the confidence of the diagnosis feedback and is flexible for different cognitive diagnostic functions. Specifically, we first propose a Bayesian method to explicitly estimate the state uncertainty of different knowledge concepts for students, which enables the confidence quantification of diagnostic feedback. In particular, to account for potential differences, we suggest modeling individual prior distributions for the latent variables of different ability concepts using a pre-trained model. Additionally, we introduce a logical hypothesis for ranking confidence levels. Along this line, we design a novel calibration loss to optimize the confidence parameters by modeling the process of student performance prediction. Finally, extensive experiments on four real-world datasets clearly demonstrate the effectiveness of our ReliCD framework.
• Abstract（参考訳）: 過去数十年間、認知診断モデリングは、学生の学習状況と知識習得レベルを定量化できる計算教育コミュニティにおいて注目を集めてきた。 実際、ニューラルネットワークの最近の進歩は、学生や運動の深い表現を学ぶことによって、従来の認知診断モデルの性能を大きく向上させた。 それにもかかわらず、既存のアプローチは、学生の熟練度を予測する際の自信過剰の問題に苦しむことが多く、これは主に、現実的な学生と生徒との対話データにおける不可避なノイズとスパーシティによって引き起こされ、診断フィードバックの教育的応用を著しく妨げている。 そこで本研究では, 診断フィードバックの信頼性を定量化し, 異なる認知的診断機能に対して柔軟である, 信頼性の高い認知診断(relicd)フレームワークを提案する。 具体的には,まず,様々な知識概念の状態の不確実性を明確に推定し,診断フィードバックの信頼性を定量化するベイズ法を提案する。 特に、潜在的な差異を考慮し、事前学習モデルを用いて、異なる能力概念の潜伏変数に対する個々の事前分布をモデル化することを提案する。 さらに,信頼度ランキングの論理的仮説を導入する。 この線に沿って、学生のパフォーマンス予測過程をモデル化し、信頼度パラメータを最適化する新たな校正損失を設計する。 最後に、4つの実世界のデータセットに関する広範な実験により、ReliCDフレームワークの有効性が明らかになりました。

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)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Decoding Decision Reasoning: A Counterfactual-Powered Model for Knowledge Discovery [6.1521675665532545]
  医用画像では、AIモデルの予測の背後にある根拠を明らかにすることが、信頼性を評価する上で重要である。 本稿では,意思決定推論と特徴識別機能を備えた説明可能なモデルを提案する。 提案手法を実装することにより,データ駆動モデルにより活用されるクラス固有の特徴を効果的に識別および可視化することができる。
  論文  参考訳（メタデータ） (2024-05-23T19:00:38Z)
• Uncertainty-aware Evidential Fusion-based Learning for Semi-supervised Medical Image Segmentation [0.0]
  本稿では,混合試料と原試料の交叉領域における明らかな予測結果を統合し,各ボクセルの信頼性度と不確実性を測定する。 我々は,情報エントロピーを導入し,融合した不確実性対策と組み合わせてボクセルレベルの学習戦略を設計し,より正確にボクセル予測を推定する。 LA, Pancreas-CT, ACDC, TBADデータセットを用いた実験結果から, 提案手法の既存手法と比較して, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-09T09:58:10Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• A Foundational Framework and Methodology for Personalized Early and Timely Diagnosis [84.6348989654916]
  本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。 診断過程を概説する決定論的アプローチに基づいている。 機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
  論文  参考訳（メタデータ） (2023-11-26T14:42:31Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)
• UIILD: A Unified Interpretable Intelligent Learning Diagnosis Framework for Intelligent Tutoring Systems [8.354034992258482]
  深層学習の強力な表現学習能力と心理メトリクスの解釈可能性から,統合的解釈可能な知的学習診断(UIILD)フレームワークが有用である。 本稿では,2チャンネル学習診断機構 LDM-ID と3チャンネル学習診断機構 LDM-HMI を提案する。
  論文  参考訳（メタデータ） (2022-07-07T07:04:22Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。