論文の概要: Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems

• arxiv url: http://arxiv.org/abs/2401.10840v1
• Date: Sat, 30 Dec 2023 09:40:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-28 16:06:52.928439
• Title: Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems
• Title（参考訳）: ハイブリッド最適化による知的教育システムのための記号認知診断
• Authors: Junhao Shen and Hong Qian and Wei Zhang and Aimin Zhou
• Abstract要約: 本稿では,一般化と解釈性を同時に向上するシンボリック認知診断(SCD)フレームワークを提案する。 SCDフレームワークはシンボリックツリーを組み込んで、複雑な学生-運動相互作用関数を明示的に表現する。 交互にデリバティブな遺伝的プログラミングによってシンボルツリーを学習し、勾配に基づくアダムを通じて学生と運動パラメータを学習する。
• 参考スコア（独自算出の注目度）: 11.068126651925425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive diagnosis assessment is a fundamental and crucial task for student learning. It models the student-exercise interaction, and discovers the students' proficiency levels on each knowledge attribute. In real-world intelligent education systems, generalization and interpretability of cognitive diagnosis methods are of equal importance. However, most existing methods can hardly make the best of both worlds due to the complicated student-exercise interaction. To this end, this paper proposes a symbolic cognitive diagnosis~(SCD) framework to simultaneously enhance generalization and interpretability. The SCD framework incorporates the symbolic tree to explicably represent the complicated student-exercise interaction function, and utilizes gradient-based optimization methods to effectively learn the student and exercise parameters. Meanwhile, the accompanying challenge is that we need to tunnel the discrete symbolic representation and continuous parameter optimization. To address this challenge, we propose to hybridly optimize the representation and parameters in an alternating manner. To fulfill SCD, it alternately learns the symbolic tree by derivative-free genetic programming and learns the student and exercise parameters via gradient-based Adam. The extensive experimental results on various real-world datasets show the superiority of SCD on both generalization and interpretability. The ablation study verifies the efficacy of each ingredient in SCD, and the case study explicitly showcases how the interpretable ability of SCD works.
• Abstract（参考訳）: 認知診断評価は学生の学習において基本的かつ重要な課題である。 学生と演習の相互作用をモデル化し、各知識属性における生徒の習熟度を検出する。 実世界の知的教育システムでは、認知診断法の一般化と解釈が等しく重要である。 しかし,多くの既存手法では,学生との複雑なインタラクションにより,両世界において最善を尽くすことは困難である。 そこで本稿では,一般化と解釈性を同時に高めるためのシンボリック認知診断-(scd)フレームワークを提案する。 SCDフレームワークは、シンボリックツリーを組み込み、複雑な学生-運動相互作用関数を明示的に表現し、勾配に基づく最適化手法を用いて学生と運動パラメータを効果的に学習する。 一方、関連する課題は、離散記号表現と連続パラメータ最適化をトンネルする必要があることである。 この課題に対処するために,表現とパラメータを交互に最適化する手法を提案する。 SCDを実現するために、デリバティブフリーな遺伝的プログラミングによってシンボルツリーを交互に学習し、勾配ベースのAdamを通して学生と運動パラメータを学習する。 様々な実世界のデータセットに対する広範な実験結果は、一般化と解釈可能性の両方においてSCDの優位性を示している。 アブレーション研究は,SCDにおける各成分の有効性を検証するとともに,SCDの解釈能力がどのように機能するかを明確に示す。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Discovering symbolic expressions with parallelized tree search [59.92040079807524]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは、複雑性の問題に対処する際の精度と効率の重要なボトルネックに直面してきた。 本稿では,限定データから汎用数学的表現を効率的に抽出する並列木探索(PTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Inductive Cognitive Diagnosis for Fast Student Learning in Web-Based Online Intelligent Education Systems [9.907875032214996]
  本稿では,WOIESにおける学習者の素早い熟達度推定のための帰納的認知診断モデルを提案する。 この表現を得るために、ICDMは、構築集約世代変換プロセスからなる。 実世界のデータセットにまたがる実験では、常にトランスダクティブである既存の認知診断手法と比較して、ICDMの方がはるかに高速であることが示されている。
  論文  参考訳（メタデータ） (2024-04-17T11:55:43Z)
• Improving Cognitive Diagnosis Models with Adaptive Relational Graph Neural Networks [33.76551090755183]
  認知診断(CD)アルゴリズムは、様々な知識概念に基づいて生徒の能力を推定することで学生を支援する。 近年,学生による2部グラフの構築と導入が診断性能の向上に有用であることが報告されている。 本稿では, 適応セマンティックグラフに基づく認知診断モデル (ASG-CD) を提案する。
  論文  参考訳（メタデータ） (2024-02-15T14:12:38Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Multi-task Collaborative Pre-training and Individual-adaptive-tokens Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
  協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。 提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
  論文  参考訳（メタデータ） (2023-06-20T08:38:17Z)
• MBrain: A Multi-channel Self-Supervised Learning Framework for Brain Signals [7.682832730967219]
  本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。 そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。 我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
  論文  参考訳（メタデータ） (2023-06-15T09:14:26Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。