論文の概要: Improving Cognitive Diagnosis Models with Adaptive Relational Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2403.05559v1
- Date: Thu, 15 Feb 2024 14:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 08:36:53.261500
- Title: Improving Cognitive Diagnosis Models with Adaptive Relational Graph Neural Networks
- Title（参考訳）: 適応型リレーショナルグラフニューラルネットワークによる認知診断モデルの改善
- Authors: Pengyang Shao, Chen Gao, Lei Chen, Yonghui Yang, Kun Zhang, Meng Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 33.76551090755183
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive Diagnosis (CD) algorithms receive growing research interest in intelligent education. Typically, these CD algorithms assist students by inferring their abilities (i.e., their proficiency levels on various knowledge concepts). The proficiency levels can enable further targeted skill training and personalized exercise recommendations, thereby promoting students' learning efficiency in online education. Recently, researchers have found that building and incorporating a student-exercise bipartite graph is beneficial for enhancing diagnostic performance. However, there are still limitations in their studies. On one hand, researchers overlook the heterogeneity within edges, where there can be both correct and incorrect answers. On the other hand, they disregard the uncertainty within edges, e.g., a correct answer can indicate true mastery or fortunate guessing. To address the limitations, we propose Adaptive Semantic-aware Graph-based Cognitive Diagnosis model (ASG-CD), which introduces a novel and effective way to leverage bipartite graph information in CD. Specifically, we first map students, exercises, and knowledge concepts into a latent representation space and combine these latent representations to obtain student abilities and exercise difficulties. After that, we propose a Semantic-aware Graph Neural Network Layer to address edge heterogeneity. This layer splits the original bipartite graph into two subgraphs according to edge semantics, and aggregates information based on these two subgraphs separately. To mitigate the impact of edge uncertainties, we propose an Adaptive Edge Differentiation Layer that dynamically differentiates edges, followed by keeping reliable edges and filtering out uncertain edges. Extensive experiments on three real-world datasets have demonstrated the effectiveness of ASG-CD.
- Abstract（参考訳）: 認知診断(CD)アルゴリズムは、知的教育に対する研究の関心が高まっている。
通常、これらのCDアルゴリズムは生徒の能力(すなわち、様々な知識概念の習熟度)を推定することで学生を支援する。
熟練度は、さらに標的となるスキルトレーニングと個別のエクササイズレコメンデーションを可能にし、オンライン教育における学習効率を高めることができる。
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。
しかし、研究にはまだ限界がある。
一方、研究者はエッジ内の不均一性を見落とし、正しい答えと誤った答えの両方が存在する可能性がある。
一方、エッジ内の不確実性を無視している(例えば、正しい答えは真の熟達または幸運な推測を示すことができる)。
この制限に対処するため,適応意味グラフに基づく認知診断モデル (ASG-CD) を提案する。
具体的には、まず学生、運動、知識の概念を潜在表現空間にマッピングし、これらの潜在表現を組み合わせることで、学生の能力と運動困難度を得る。
その後、エッジの不均一性に対処するセマンティック対応グラフニューラルネットワーク層を提案する。
この層は、元の二部グラフをエッジセマンティクスに従って2つのサブグラフに分割し、これらの2つのサブグラフに基づいて情報を個別に集約する。
エッジの不確かさの影響を軽減するために、動的にエッジを識別する適応エッジ微分層を提案し、次いで信頼性のあるエッジを保持し、不確実なエッジをフィルタリングする。
実世界の3つのデータセットに対する大規模な実験は、ASG-CDの有効性を実証した。
関連論文リスト
- DisenGCD: A Meta Multigraph-assisted Disentangled Graph Learning Framework for Cognitive Diagnosis [12.496796647019034]
既存のグラフ学習に基づく認知診断(CD)法は,比較的良好な結果を得た。
本稿では,CD(DisenGCD)のためのメタマルチグラフ支援不整合グラフ学習フレームワークを提案する。
実験は、最先端のCD法よりも、DisenGCDの性能と堅牢性を示す。
論文 参考訳（メタデータ） (2024-10-23T05:15:59Z) - GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。
個人データの不正利用に関する懸念が高まっている。
近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。
本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
論文 参考訳（メタデータ） (2023-10-11T00:50:55Z) - Interpretable Sparsification of Brain Graphs: Better Practices and
Effective Designs for Graph Neural Networks [15.101250958437038]
密度の高い脳グラフは、高い実行時間とメモリ使用量、限定的な解釈可能性を含む計算上の課題を生じさせる。
55.0%のエッジでグラフ分類性能を最大5.1%向上させる新しいモデルであるInterpretable Graph Sparsificationを提案する。
論文 参考訳（メタデータ） (2023-06-26T01:37:10Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Self-supervised Graph Learning for Long-tailed Cognitive Diagnosis [25.78814557029563]
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。
論文 参考訳（メタデータ） (2022-10-15T02:57:09Z) - Compressing Deep Graph Neural Networks via Adversarial Knowledge
Distillation [41.00398052556643]
本稿では,GraphAKD というグラフモデルのための新しい知識蒸留フレームワークを提案する。
識別器は教師の知識と学生が継承するものを区別し、学生GNNはジェネレータとして働き、識別器を騙す。
その結果、GraphAKDは複雑な教師GNNからコンパクトな学生GNNに正確な知識を伝達できることがわかった。
論文 参考訳（メタデータ） (2022-05-24T00:04:43Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Bi-CLKT: Bi-Graph Contrastive Learning based Knowledge Tracing [39.92424205497689]
知識追跡の目的は、学生が関連する演習の歴史的学習に基づいて、いかにして概念を習得したかを推定することである。
近年のディープラーニングの台頭に伴い、Deep Knowledge Tracingでは、リカレントニューラルネットワーク(RNN)を使用して、このタスクをある程度の成功に導いた。
他の研究では、グラフニューラルネットワーク(GNN)を導入して、大幅な改善を実現するためにタスクを再定義しようと試みている。
本稿では,これらの制約に対処するため,Bi-Graph Contrastive Learning based Knowledge Tracing (Bi-CLKT)を提案する。
論文 参考訳（メタデータ） (2022-01-22T11:07:21Z) - Dual Space Graph Contrastive Learning [82.81372024482202]
本研究では,新しいグラフコントラスト学習手法,すなわち textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learningを提案する。
両空間にはグラフデータを埋め込み空間に表現する独自の利点があるので、グラフコントラスト学習を用いて空間をブリッジし、双方の利点を活用することを期待する。
論文 参考訳（メタデータ） (2022-01-19T04:10:29Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。