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 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) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Explainable AI for clinical risk prediction: a survey of concepts,
methods, and modalities [2.9404725327650767]
臨床リスク予測のための説明可能なモデルの開発状況
外部検証の必要性と多様な解釈可能性メソッドの組み合わせを強調している。
臨床リスク予測における説明可能性へのエンドツーエンドアプローチは成功に不可欠である。
論文 参考訳(メタデータ) (2023-08-16T14:51:51Z) - 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) - Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。
TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。
理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
論文 参考訳(メタデータ) (2022-04-25T03:48:49Z) - An Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in
Safety-Critical Applications [1.988145627448243]
深層学習に基づく予後・健康管理(PHM)の信頼性の低さは、安全に重要な資産におけるその適用を妨げる。
本稿では,障害の診断とOODデータセット検出のための不確実性インフォームドフレームワークを提案する。
提案手法は, 安全クリティカルなアプリケーションにおいて, 未知に対処し, 故障診断の信頼性を高める上で特に有利であることを示す。
論文 参考訳(メタデータ) (2021-10-08T21:24:14Z) - 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) - Lifelong Learning based Disease Diagnosis on Clinical Notes [24.146567779632107]
本稿では,医学的実体と文脈の融合,エピソディクス記憶の埋め込み,知識の保持に注意を払うことを提案する。
各種病院から収集した臨床記録を含む新しいベンチマークjarvis-40を樹立した。
提案手法は,提案するベンチマークで最先端の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-02-27T09:23:57Z) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z)
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。