論文の概要: CogSimulator: A Model for Simulating User Cognition & Behavior with Minimal Data for Tailored Cognitive Enhancement

• arxiv url: http://arxiv.org/abs/2412.14188v1
• Date: Tue, 10 Dec 2024 06:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-22 07:36:48.825813
• Title: CogSimulator: A Model for Simulating User Cognition & Behavior with Minimal Data for Tailored Cognitive Enhancement
• Title（参考訳）: CogSimulator:最小データによるユーザの認知と行動のシミュレーションモデル
• Authors: Weizhen Bian, Yubo Zhou, Yuanhang Luo, Ming Mo, Siyan Liu, Yikai Gong, Renjie Wan, Ziyuan Luo, Aobo Wang,
• Abstract要約: 本研究は、最小限のデータで小さなグループ設定でユーザ認知をシミュレートする新しいアルゴリズムであるCogSimulatorを紹介する。 このモデルは、平均Wasserstein-1距離、平均二乗誤差、平均精度において、ほとんどの従来の機械学習モデルを上回る。
• 参考スコア（独自算出の注目度）: 9.919039146138271
• License:
• Abstract: The interplay between cognition and gaming, notably through educational games enhancing cognitive skills, has garnered significant attention in recent years. This research introduces the CogSimulator, a novel algorithm for simulating user cognition in small-group settings with minimal data, as the educational game Wordle exemplifies. The CogSimulator employs Wasserstein-1 distance and coordinates search optimization for hyperparameter tuning, enabling precise few-shot predictions in new game scenarios. Comparative experiments with the Wordle dataset illustrate that our model surpasses most conventional machine learning models in mean Wasserstein-1 distance, mean squared error, and mean accuracy, showcasing its efficacy in cognitive enhancement through tailored game design.
• Abstract（参考訳）: 認知とゲームの間の相互作用は、特に認知能力を高める教育ゲームを通じて、近年大きな注目を集めている。 本研究は,教育ゲームWordleが示すように,最小限のデータでユーザ認知をシミュレーションする新しいアルゴリズムであるCogSimulatorを紹介する。 CogSimulatorはWasserstein-1距離を使用し、ハイパーパラメータチューニングのための探索最適化をコーディネートする。 Wordleデータセットとの比較実験により、我々のモデルは平均Wasserstein-1距離、平均二乗誤差、平均精度において、従来の機械学習モデルよりも優れており、ゲーム設計による認知力向上の有効性を示している。

関連論文リスト

• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• A Deep Learning Method for Optimal Investment Under Relative Performance Criteria Among Heterogeneous Agents [2.330509865741341]
  グラフゲームは、重み付けされた相互作用グラフを通して相互作用する多くのプレイヤーとゲームを研究するために導入された。 本稿では,相対的な性能基準下での最適投資を目的としたグラフゲームに着目し,ディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-12T01:40:31Z)
• An Emulator for Fine-Tuning Large Language Models using Small Language Models [91.02498576056057]
  本研究では,異なるスケールでの事前学習と微調整の結果を近似する分布から,エミュレート・ファインチューニング(EFT)を原理的かつ実用的なサンプリング法として導入する。 EFTは、追加トレーニングを伴わずに、有益性や無害性といった競合する行動特性をテスト時間で調整できることを示す。 最後に、LMアップスケーリングと呼ばれるエミュレートされたファインチューニングの特殊な場合において、小さなファインチューニングモデルと組み合わせることで、大きな事前学習モデルのリソース集約的なファインチューニングを回避する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:16Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Generalisable Methods for Early Prediction in Interactive Simulations for Education [5.725477071353353]
  シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。 まず,学生のタスク内動作を通して概念的理解を計測する。 そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:46:56Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)
• Designing Accurate Emulators for Scientific Processes using Calibration-Driven Deep Models [33.935755695805724]
  Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。 また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。 LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
  論文  参考訳（メタデータ） (2020-05-05T16:54:11Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

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。