Fugu-MT 論文翻訳(概要): Enhancing Explainability of Knowledge Learning Paths: Causal Knowledge Networks

論文の概要: Enhancing Explainability of Knowledge Learning Paths: Causal Knowledge Networks

arxiv url: http://arxiv.org/abs/2406.17518v1
Date: Tue, 25 Jun 2024 12:59:20 GMT
ステータス: 処理完了
システム内更新日: 2024-06-26 14:32:18.394967
Title: Enhancing Explainability of Knowledge Learning Paths: Causal Knowledge Networks
Title（参考訳）: 知識学習経路の説明可能性を高める:因果的知識ネットワーク
Authors: Yuang Wei, Yizhou Zhou, Yuan-Hao Jiang, Bo Jiang,
Abstract要約: 本稿では,因果知識ネットワークを構築する手法を提案する。また,Human-Centric eXplainable AI in Educationを紹介する。
参考スコア（独自算出の注目度）: 6.792267409396434
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A reliable knowledge structure is a prerequisite for building effective adaptive learning systems and intelligent tutoring systems. Pursuing an explainable and trustworthy knowledge structure, we propose a method for constructing causal knowledge networks. This approach leverages Bayesian networks as a foundation and incorporates causal relationship analysis to derive a causal network. Additionally, we introduce a dependable knowledge-learning path recommendationHuman-Centric eXplainable AI in Education technique built upon this framework, improving teaching and learning quality while maintaining transparency in the decision-making process.
Abstract（参考訳）: 信頼できる知識構造は、効果的な適応学習システムと知的学習システムを構築するための前提条件である。そこで本研究では,因果的知識ネットワークを構築する方法を提案する。このアプローチはベイジアンネットワークを基礎として利用し、因果関係解析を取り入れて因果関係ネットワークを導出する。さらに,この枠組みに基づいて構築されたHuman-Centric eXplainable AI in Education技術により,意思決定プロセスにおける透明性を維持しつつ,教育と学習の質を向上させることができる。

関連論文リスト

Causal discovery using dynamically requested knowledge [7.904709685523615]
Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。構造的精度は,既存の知識統合手法よりも大幅に向上した。
論文参考訳（メタデータ） (2023-10-17T11:21:23Z)
Deciphering Raw Data in Neuro-Symbolic Learning with Provable Guarantees [17.58485742162185]
ニューロシンボリックハイブリッドシステムは、機械学習とシンボリック推論を統合することを約束している。ハイブリッドシステムが特定のタスクに成功し、いつ異なる知識ベースで失敗するかは、まだ不明である。本研究では,知識ベースから指導信号を特徴付ける新しい手法を導入し,学習を成功させる上での知識の有効性を決定するための基準を確立する。
論文参考訳（メタデータ） (2023-08-21T06:04:53Z)
Causal Reinforcement Learning: A Survey [57.368108154871]
強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
論文参考訳（メタデータ） (2023-07-04T03:00:43Z)
Worth of knowledge in deep learning [3.132595571344153]
我々は、知識の価値を評価するために、解釈可能な機械学習にインスパイアされたフレームワークを提案する。我々の研究結果は、依存、相乗効果、置換効果を含む、データと知識の複雑な関係を解明する。我々のモデルに依存しないフレームワークは、様々な共通ネットワークアーキテクチャに適用でき、ディープラーニングモデルにおける事前知識の役割を包括的に理解することができる。
論文参考訳（メタデータ） (2023-07-03T02:25:19Z)
UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
論文参考訳（メタデータ） (2023-05-02T17:33:28Z)
Thrill-K Architecture: Towards a Solution to the Problem of Knowledge Based Understanding [0.9390008801320021]
本稿では、人間の知識と知性の分析に基づいて、ニューラルネットワークと様々な種類の知識と知識ソースを組み合わせたハイブリッドシステムの分類を紹介する。我々はThrill-Kアーキテクチャを,推論,学習,知的制御が可能なフレームワークに,瞬時知識,待機知識,外部知識ソースを統合するためのプロトタイプソリューションとして提示する。
論文参考訳（メタデータ） (2023-02-28T20:39:35Z)
Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning [47.96987739801807]
本稿では,既存のモデル(バックボーン)を明示的な知識学習によって原則的に拡張する枠組みを提案する。 LeApでは,新しい問題知識表現パラダイムで知識学習を行う。 LeApはすべてのバックボーンのパフォーマンスを改善し、正確な知識を習得し、より解釈可能な推論プロセスを実現する。
論文参考訳（メタデータ） (2023-02-11T15:15:41Z)
Learning Knowledge Representation with Meta Knowledge Distillation for Single Image Super-Resolution [82.89021683451432]
単一画像超解像課題に対する教師/学生アーキテクチャに基づくモデルに依存しないメタ知識蒸留法を提案する。種々の単一画像超解像データセットを用いた実験により,提案手法は既存の知識表現関連蒸留法よりも優れた性能を示した。
論文参考訳（メタデータ） (2022-07-18T02:41:04Z)
Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文参考訳（メタデータ） (2022-01-15T15:03:17Z)
Coarse-to-Careful: Seeking Semantic-related Knowledge for Open-domain Commonsense Question Answering [12.406729445165857]
背景コモンセンスを必要とする質問に機械が答えるのを助けるために、外部知識を利用するのが一般的である。本稿では,知識注入を粗大から粗大に制御する意味駆動型知識認識型QAフレームワークを提案する。
論文参考訳（メタデータ） (2021-07-04T10:56:36Z)
Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習するコンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文参考訳（メタデータ） (2021-04-12T05:52:20Z)

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。