論文の概要: Exploring Heterogeneity and Uncertainty for Graph-based Cognitive Diagnosis Models in Intelligent Education

• arxiv url: http://arxiv.org/abs/2403.05559v2
• Date: Wed, 22 Jan 2025 07:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:52:51.160067
• Title: Exploring Heterogeneity and Uncertainty for Graph-based Cognitive Diagnosis Models in Intelligent Education
• Title（参考訳）: 知的教育におけるグラフに基づく認知診断モデルの不均一性と不確かさの探索
• Authors: Pengyang Shao, Yonghui Yang, Chen Gao, Lei Chen, Kun Zhang, Chenyi Zhuang, Le Wu, Yong Li, Meng Wang,
• Abstract要約: Informative Semantic-Aware Graph-based Cognitive Diagnosis Model (ISG-CD)を提案する。 ISG-CDは、CDにおける不均一グラフの活用と不確実なエッジの効果の最小化に焦点を当てている。 実世界の3つのデータセットの実験は、ISG-CDの有効性を実証した。
• 参考スコア（独自算出の注目度）: 41.05510851340416
• License:
• Abstract: Graph-based Cognitive Diagnosis (CD) has attracted much research interest due to its strong ability on inferring students' proficiency levels on knowledge concepts. While graph-based CD models have demonstrated remarkable performance, we contend that they still cannot achieve optimal performance due to the neglect of edge heterogeneity and uncertainty. Edges involve both correct and incorrect response logs, indicating heterogeneity. Meanwhile, a response log can have uncertain semantic meanings, e.g., a correct log can indicate true mastery or fortunate guessing, and a wrong log can indicate a lack of understanding or a careless mistake. In this paper, we propose an Informative Semantic-aware Graph-based Cognitive Diagnosis model (ISG-CD), which focuses on how to utilize the heterogeneous graph in CD and minimize effects of uncertain edges. Specifically, to explore heterogeneity, we propose a semantic-aware graph neural networks based CD model. To minimize effects of edge uncertainty, we propose an Informative Edge Differentiation layer from an information bottleneck perspective, which suggests keeping a minimal yet sufficient reliable graph for CD in an unsupervised way. We formulate this process as maximizing mutual information between the reliable graph and response logs, while minimizing mutual information between the reliable graph and the original graph. After that, we prove that mutual information maximization can be theoretically converted to the classic binary cross entropy loss function, while minimizing mutual information can be realized by the Hilbert-Schmidt Independence Criterion. Finally, we adopt an alternating training strategy for optimizing learnable parameters of both the semantic-aware graph neural networks based CD model and the edge differentiation layer. Extensive experiments on three real-world datasets have demonstrated the effectiveness of ISG-CD.
• Abstract（参考訳）: グラフに基づく認知診断(CD)は、学生の知識概念の習熟度を推定する能力が強いことから、多くの研究の関心を集めている。 グラフベースのCDモデルは目覚ましい性能を示したが、エッジの不均一性や不確実性の欠如により、依然として最適な性能を達成できないと我々は主張する。 エッジには正しい応答ログと誤った応答ログの両方が含まれており、不均一性を示している。 一方、応答ログは不確実な意味を持ち、例えば正しいログは真の熟達または幸運な推測を示すことができ、間違ったログは理解の欠如や不注意な間違いを示すことができる。 Informative Semantic-aware Graph-based Cognitive Recognition Model (ISG-CD) を提案する。 具体的には、異種性を探究するために、意味認識型グラフニューラルネットワークに基づくCDモデルを提案する。 エッジ不確実性の影響を最小限に抑えるため,情報ボトルネックの観点からのInformative Edge差分層を提案する。 本稿では,信頼性グラフと応答ログ間の相互情報の最大化として,信頼性グラフと元のグラフ間の相互情報の最小化として,このプロセスを定式化する。 その後、Hilbert-Schmidt Independence Criterionにより、相互情報の最大化を古典的二項交叉エントロピー損失関数に理論的に変換できる一方で、相互情報の最小化は実現可能であることを証明した。 最後に、意味認識型グラフニューラルネットワークに基づくCDモデルとエッジ微分層の両方の学習可能なパラメータを最適化するための交互トレーニング戦略を採用する。 実世界の3つのデータセットに対する大規模な実験は、ISG-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。