Fugu-MT 論文翻訳(概要): End-to-end Graph Learning Approach for Cognitive Diagnosis of Student Tutorial

論文の概要: End-to-end Graph Learning Approach for Cognitive Diagnosis of Student Tutorial

arxiv url: http://arxiv.org/abs/2411.00845v1
Date: Wed, 30 Oct 2024 06:18:47 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:51:51.938487
Title: End-to-end Graph Learning Approach for Cognitive Diagnosis of Student Tutorial
Title（参考訳）: 教師の認知診断のためのエンドツーエンドグラフ学習アプローチ
Authors: Fulai Yang, Di Wu, Yi He, Li Tao, Xin Luo,
Abstract要約: 本稿では,エンド・ツー・エンドグラフニューラルネットワークを用いた認知診断(EGNN-CD)モデルを提案する。 EGNN-CDは、知識概念ネットワーク(KCN)、グラフニューラルネットワークに基づく特徴抽出(GNNFE)、認知能力予測(CAP)の3つの主要部分から構成される。
参考スコア（独自算出の注目度）: 11.670969577565774
License:
Abstract: Cognitive diagnosis (CD) utilizes students' existing studying records to estimate their mastery of unknown knowledge concepts, which is vital for evaluating their learning abilities. Accurate CD is extremely challenging because CD is associated with complex relationships and mechanisms among students, knowledge concepts, studying records, etc. However, existing approaches loosely consider these relationships and mechanisms by a non-end-to-end learning framework, resulting in sub-optimal feature extractions and fusions for CD. Different from them, this paper innovatively proposes an End-to-end Graph Neural Networks-based Cognitive Diagnosis (EGNN-CD) model. EGNN-CD consists of three main parts: knowledge concept network (KCN), graph neural networks-based feature extraction (GNNFE), and cognitive ability prediction (CAP). First, KCN constructs CD-related interaction by comprehensively extracting physical information from students, exercises, and knowledge concepts. Second, a four-channel GNNFE is designed to extract high-order and individual features from the constructed KCN. Finally, CAP employs a multi-layer perceptron to fuse the extracted features to predict students' learning abilities in an end-to-end learning way. With such designs, the feature extractions and fusions are guaranteed to be comprehensive and optimal for CD. Extensive experiments on three real datasets demonstrate that our EGNN-CD achieves significantly higher accuracy than state-of-the-art models in CD.
Abstract（参考訳）: 認知診断(CD)は、学生の既存の学習記録を利用して未知の知識概念の熟達度を推定する。 CDは、学生間の複雑な関係やメカニズム、知識概念、研究記録などに関連しているため、正確なCDは非常に難しい。しかし、既存のアプローチでは、これらの関係とメカニズムを非エンドツーエンドの学習フレームワークによって緩やかに検討し、結果としてCDのサブ最適特徴抽出と融合をもたらす。これと異なり,本論文では,エンド・ツー・エンドグラフニューラルネットワークに基づく認知診断(EGNN-CD)モデルを革新的に提案する。 EGNN-CDは、知識概念ネットワーク(KCN)、グラフニューラルネットワークに基づく特徴抽出(GNNFE)、認知能力予測(CAP)の3つの主要部分から構成される。第一に、KCNは学生、演習、知識概念から身体情報を包括的に抽出することでCD関連の相互作用を構築する。第2に、4チャンネルのGNNFEは、構築されたKCNから高次および個別の特徴を抽出するように設計されている。最後に、CAPは抽出した特徴を融合するために多層パーセプトロンを使用し、エンドツーエンドの学習方法で生徒の学習能力を予測する。このような設計により、特徴抽出と融合はCDに対して包括的で最適であることが保証される。 3つの実データセットに対する大規模な実験により、我々のEGNN-CDは、CDの最先端モデルよりもはるかに高い精度を達成できることが示された。

関連論文リスト

A Dual-Fusion Cognitive Diagnosis Framework for Open Student Learning Environments [10.066184572184627]
本稿では,2つの異なるモダリティを整合させる上での課題を解決するために,二重融合認知診断フレームワーク(DFCD)を提案する。実験の結果,DFCDはオープンな学習環境において,異なるモダリティと強い適応性を統合することにより,優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2024-10-19T10:12:02Z)
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)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
論文参考訳（メタデータ） (2023-11-06T20:58:07Z)
Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2023-05-21T08:29:16Z)
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)
Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文参考訳（メタデータ） (2022-05-08T08:19:40Z)
CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文参考訳（メタデータ） (2022-03-31T04:44:28Z)
Distilling Holistic Knowledge with Graph Neural Networks [37.86539695906857]
知識蒸留(KD)は、より大規模な教師ネットワークからより小さな学習可能な学生ネットワークへ知識を伝達することを目的としている。既存のKD法は主に、個々の知識と関係知識の2つの種類の知識を考察してきた。本稿では, インスタンス間に構築された属性グラフに基づいて, 新たな包括的知識を蒸留する。
論文参考訳（メタデータ） (2021-08-12T02:47:59Z)
Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文参考訳（メタデータ） (2020-09-13T21:12:20Z)

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。

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。