論文の概要: Collaborative Cognitive Diagnosis with Disentangled Representation Learning for Learner Modeling
- arxiv url: http://arxiv.org/abs/2411.02066v1
- Date: Mon, 04 Nov 2024 13:13:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:42:14.360629
- Title: Collaborative Cognitive Diagnosis with Disentangled Representation Learning for Learner Modeling
- Title（参考訳）: アンタングル表現学習を用いた学習者モデリングのための協調的認知診断
- Authors: Weibo Gao, Qi Liu, Linan Yue, Fangzhou Yao, Hao Wang, Yin Gu, Zheng Zhang,
- Abstract要約: 類似学習者間の協調的接続を活用することは、人間の学習を理解する上で価値がある。
本研究では,不整合表現学習を用いた協調的認知診断モデルであるCoralを提案する。
- 参考スコア（独自算出の注目度）: 14.574222901039155
- License:
- Abstract: Learners sharing similar implicit cognitive states often display comparable observable problem-solving performances. Leveraging collaborative connections among such similar learners proves valuable in comprehending human learning. Motivated by the success of collaborative modeling in various domains, such as recommender systems, we aim to investigate how collaborative signals among learners contribute to the diagnosis of human cognitive states (i.e., knowledge proficiency) in the context of intelligent education. The primary challenges lie in identifying implicit collaborative connections and disentangling the entangled cognitive factors of learners for improved explainability and controllability in learner Cognitive Diagnosis (CD). However, there has been no work on CD capable of simultaneously modeling collaborative and disentangled cognitive states. To address this gap, we present Coral, a Collaborative cognitive diagnosis model with disentangled representation learning. Specifically, Coral first introduces a disentangled state encoder to achieve the initial disentanglement of learners' states. Subsequently, a meticulously designed collaborative representation learning procedure captures collaborative signals. It dynamically constructs a collaborative graph of learners by iteratively searching for optimal neighbors in a context-aware manner. Using the constructed graph, collaborative information is extracted through node representation learning. Finally, a decoding process aligns the initial cognitive states and collaborative states, achieving co-disentanglement with practice performance reconstructions. Extensive experiments demonstrate the superior performance of Coral, showcasing significant improvements over state-of-the-art methods across several real-world datasets. Our code is available at https://github.com/bigdata-ustc/Coral.
- Abstract（参考訳）: 類似の暗黙的認知状態を共有する学習者は、しばしば同等の観測可能な問題解決性能を示す。
このような学習者間の協調的なつながりを活用することは、人間の学習を理解するのに価値がある。
推薦システムなど,様々な分野における協調的モデリングの成功により,知的教育の文脈において,学習者の協調的信号が人間の認知状態(知識能力)の診断にどのように貢献するかを検討することを目的とする。
主な課題は、暗黙の協調関係を識別し、学習者認知診断(CD)における説明可能性と制御性を改善するための学習者の絡み合った認知要因を解消することである。
しかし、CDでは協調的および非絡み合いの認知状態を同時にモデル化する研究は行われていない。
このギャップに対処するために,不整合表現学習を用いた協調的認知診断モデルであるCoralを提案する。
特に、Coral氏はまず、学習者の状態の最初の乱れを達成するために、乱れ状態エンコーダを導入している。
その後、綿密に設計された協調表現学習が協調的な信号をキャプチャする。
学習者の協調グラフを動的に構築する。
構築したグラフを用いて、ノード表現学習を通じて協調情報を抽出する。
最後に、復号化プロセスは、初期認知状態と協調状態とを整合させ、実践的なパフォーマンス再構築と共用する。
大規模な実験は、Coralの優れたパフォーマンスを示し、いくつかの実世界のデータセットで最先端のメソッドよりも大幅に改善されていることを示している。
私たちのコードはhttps://github.com/bigdata-ustc/Coral.comから入手可能です。
関連論文リスト
- Self-Supervised Representation Learning with Spatial-Temporal Consistency for Sign Language Recognition [96.62264528407863]
本研究では,空間的時間的整合性を通じてリッチな文脈を探索する自己教師付きコントラスト学習フレームワークを提案する。
動きと関節のモーダル性の相補性に着想を得て,手話モデルに一階動作情報を導入する。
提案手法は,4つの公開ベンチマークの広範な実験により評価され,新しい最先端性能と顕著なマージンを実現している。
論文 参考訳（メタデータ） (2024-06-15T04:50:19Z) - CoSD: Collaborative Stance Detection with Contrastive Heterogeneous Topic Graph Learning [18.75039816544345]
我々はCoSD(CoSD)と呼ばれる新しい協調姿勢検出フレームワークを提案する。
CoSDは、テキスト、トピック、スタンスラベル間のトピック認識のセマンティクスと協調的なシグナルを学ぶ。
2つのベンチマークデータセットの実験では、CoSDの最先端検出性能が示されている。
論文 参考訳（メタデータ） (2024-04-26T02:04:05Z) - CoRelation: Boosting Automatic ICD Coding Through Contextualized Code
Relation Learning [56.782963838838036]
我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。
提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
論文 参考訳（メタデータ） (2024-02-24T03:25:28Z) - Knowledge Boosting: Rethinking Medical Contrastive Vision-Language
Pre-Training [6.582001681307021]
知識ブースティング・コントラスト・ビジョン・ランゲージ事前学習フレームワーク(KoBo)を提案する。
KoBoは、臨床知識を視覚言語意味一貫性の学習に統合する。
分類,セグメンテーション,検索,意味的関連性を含む8つのタスクに対するフレームワークの効果を検証する実験を行った。
論文 参考訳（メタデータ） (2023-07-14T09:38:22Z) - 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 to Model the Relationship Between Brain Structural and
Functional Connectomes [16.096428756895918]
脳目的接続(SC)と機能接続(FC)の関係をモデル化するグラフ表現学習フレームワークを開発した。
トレーニング可能なグラフ畳み込みエンコーダは、実際の神経通信を模倣する脳の領域間の相互作用をキャプチャする。
実験では、学習した表現が、被験者の脳ネットワークの本質的な特性から貴重な情報を取得することを示した。
論文 参考訳（メタデータ） (2021-12-18T11:23:55Z) - A Prior Guided Adversarial Representation Learning and Hypergraph
Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。
PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
論文 参考訳（メタデータ） (2021-10-12T03:10:37Z) - CogAlign: Learning to Align Textual Neural Representations to Cognitive
Language Processing Signals [60.921888445317705]
自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。
我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
論文 参考訳（メタデータ） (2021-06-10T07:10:25Z) - CoCon: Cooperative-Contrastive Learning [52.342936645996765]
自己教師付き視覚表現学習は効率的な映像分析の鍵である。
最近の画像表現の学習の成功は、コントラスト学習がこの課題に取り組むための有望なフレームワークであることを示唆している。
コントラスト学習の協調的バリエーションを導入し、ビュー間の相補的な情報を活用する。
論文 参考訳（メタデータ） (2021-04-30T05:46:02Z) - Exploring Visual Engagement Signals for Representation Learning [56.962033268934015]
VisEは、クラスタ化されたエンゲージメント信号から派生した擬似ラベルにソーシャルイメージをマップする弱い教師付き学習アプローチである。
この方法でトレーニングされたモデルが、感情認識や政治的バイアス検出といった主観的なコンピュータビジョンタスクにどのように役立つかを研究する。
論文 参考訳（メタデータ） (2021-04-15T20:50:40Z)
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。