論文の概要: Tracking student skills real-time through a continuous-variable dynamic Bayesian network

• arxiv url: http://arxiv.org/abs/2501.10050v1
• Date: Fri, 17 Jan 2025 09:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 14:00:47.212550
• Title: Tracking student skills real-time through a continuous-variable dynamic Bayesian network
• Title（参考訳）: 連続可変動的ベイズネットワークによる学生のスキルのリアルタイム追跡
• Authors: Hildo Bijl,
• Abstract要約: 本稿では,成功率の分布をライブで追跡する新しい手法,PDT(Performance Distribution Tracing)を提案する。 成功率分布をトレースすることにより、常に成功率推定の精度に関するデータが得られる。 PDTは運動の成功率の予測を可能にし、説明可能性と正確性の両方を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The field of Knowledge Tracing is focused on predicting the success rate of a student for a given skill. Modern methods like Deep Knowledge Tracing provide accurate estimates given enough data, but being based on neural networks they struggle to explain how these estimates are formed. More classical methods like Dynamic Bayesian Networks can do this, but they cannot give data on the accuracy of their estimates and often struggle to incorporate new observations in real-time due to their high computational load. This paper presents a novel method, Performance Distribution Tracing (PDT), in which the distribution of the success rate is traced live. It uses a Dynamic Bayesian Network with continuous random variables as nodes. By tracing the success rate distribution, there is always data available on the accuracy of any success rate estimation. In addition, it makes it possible to combine data from similar/related skills to come up with a more informed estimate of success rates. This makes it possible to predict exercise success rates, providing both explainability and an accuracy indication, even when an exercise requires a combination of different skills to solve. And through the use of the beta distribution functions as conjugate priors, all distributions are available in analytical form, allowing efficient online updates upon new observations. Experiments have shown that the resulting estimates generally feel sufficiently accurate to end-users such that they accept recommendations based on them.
• Abstract（参考訳）: 知識追跡の分野は、あるスキルの学生の成功率を予測することに焦点を当てている。 Deep Knowledge Tracingのような現代的な手法は、十分なデータから正確な見積もりを提供するが、ニューラルネットワークをベースとして、これらの推定がどのように形成されるかを説明するのに苦労している。 Dynamic Bayesian Networksのような古典的な手法では、これを実現できるが、見積もりの正確さに関するデータを与えることができず、計算負荷が高いため、しばしば新しい観測をリアルタイムで組み込むのに苦労する。 本稿では,成功率の分布をライブで追跡する新しい手法,PDT(Performance Distribution Tracing)を提案する。 連続確率変数をノードとする動的ベイズネットワークを使用する。 成功率分布をトレースすることにより、常に成功率推定の精度に関するデータが得られる。 さらに、類似/関連スキルのデータを組み合わせることで、より詳細な成功率の推定が可能になる。 これにより、エクササイズがさまざまなスキルの組み合わせを必要とする場合であっても、実行の成功率を予測することができ、説明可能性と正確性の両方を提供することができる。 そして、ベータ分布関数を共役先行関数として使用することにより、すべての分布が分析形式で利用可能となり、新しい観測結果に対する効率的なオンライン更新が可能になる。 実験により、結果の見積もりは、一般的にエンドユーザーに対して十分な正確さを感じ、それらに基づいてレコメンデーションを受け入れることが示されている。

関連論文リスト

• Uncertainty Quantification in Deep Neural Networks through Statistical Inference on Latent Space [0.0]
  ネットワークに供給されたデータポイントの潜在空間表現を利用して予測精度を評価するアルゴリズムを開発した。 一般的に使われている手法が大半が過信である合成データセットについて述べる。 対照的に,本手法は,不正確な予測を行うようなアウト・オブ・ディストリビューション・データ・ポイントを検出できるため,アウトレーヤの自動検出に役立てることができる。
  論文  参考訳（メタデータ） (2023-05-18T09:52:06Z)
• Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
  我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。 我々のアプローチは、意図をモデル化することで受動的データから学習する。 実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
  論文  参考訳（メタデータ） (2023-04-10T17:59:05Z)
• Kernel Density Bayesian Inverse Reinforcement Learning [5.699034783029326]
  逆強化学習(IRL)法は、エージェントの報酬関数を専門家の行動の実証を用いて推定する。 この研究は、ベイズIRLを様々な領域に適用できる原理的で理論的に基礎付けられた枠組みを導入している。
  論文  参考訳（メタデータ） (2023-03-13T03:00:03Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• Out-of-Distribution Detection with Hilbert-Schmidt Independence Optimization [114.43504951058796]
  異常検出タスクはAIの安全性において重要な役割を担っている。 ディープニューラルネットワーク分類器は通常、アウト・オブ・ディストリビューション(OOD)の入力を、信頼性の高いイン・ディストリビューション・クラスに誤って分類する傾向がある。 我々は,OOD検出タスクにおいて実用的かつ理論的に有効な代替確率論的パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:59:55Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Task Agnostic Continual Learning Using Online Variational Bayes with Fixed-Point Updates [28.662887957256913]
  破滅的な忘れは、学習中のデータ分布の変化に対するニューラルネットワークの悪名高い脆弱性である。 オンライン変分ベイズ最適化問題に対する新しい不動点方程式を導出する。 非定常データ分散を処理できる連続学習のためのアルゴリズム(FOO-VB)を得る。
  論文  参考訳（メタデータ） (2020-10-01T13:10:35Z)

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。