論文の概要: A Frugal Model for Accurate Early Student Failure Prediction

• arxiv url: http://arxiv.org/abs/2502.00017v1
• Date: Fri, 10 Jan 2025 12:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-09 06:16:04.555603
• Title: A Frugal Model for Accurate Early Student Failure Prediction
• Title（参考訳）: 学生の失敗予測の精度向上のためのフルーガーモデル
• Authors: Gagaoua Ikram, Armelle Brun, Anne Boyer,
• Abstract要約: 本稿では,データ追加を選択的に組み込んだハイブリッドモデルを提案する。 実験では、追加データの体系的な使用と比較して、データ消費の27%が顕著に減少している。 FEPは平均精度が7.3%向上する。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License:
• Abstract: Predicting student success or failure is vital for timely interventions and personalized support. Early failure prediction is particularly crucial, yet limited data availability in the early stages poses challenges, one of the possible solutions is to make use of additional data from other contexts, however, this might lead to overconsumption with no guarantee of better results. To address this, we propose the Frugal Early Prediction (FEP) model, a new hybrid model that selectively incorporates additional data, promoting data frugality and efficient resource utilization. Experiments conducted on a public dataset from a VLE demonstrate FEP's effectiveness in reducing data usage, a primary goal of this research.Experiments showcase a remarkable 27% reduction in data consumption, compared to a systematic use of additional data, aligning with our commitment to data frugality and offering substantial benefits to educational institutions seeking efficient data consumption. Additionally, FEP also excels in enhancing prediction accuracy. Compared to traditional approaches, FEP achieves an average accuracy gain of 7.3%. This not only highlights the practicality and efficiency of FEP but also its superiority in performance, while respecting resource constraints, providing beneficial findings for educational institutions seeking data frugality.
• Abstract（参考訳）: 学生の成功や失敗を予測することは、タイムリーな介入とパーソナライズされた支援に不可欠である。 早期障害予測は特に重要であるが、初期段階のデータ可用性の制限は課題を生じさせ、考えられる解決策の1つは、他のコンテキストからの追加データを使用することであるが、より良い結果を保証することなく、過消費につながる可能性がある。 そこで本研究では,Frugal Early Prediction (FEP) モデルを提案する。 VLEによる公開データセットを用いた実験は、データ使用量の削減におけるFEPの有効性を示すものであり、実験では、データ使用の体系的な使用と比較して、データ使用量の27%が顕著に減少し、データの虚偽性へのコミットメントと整合し、効率的なデータ使用を求める教育機関に実質的な利益をもたらすことを示した。 さらに、FEPは予測精度の向上にも長けている。 従来の手法と比較して、FEPは平均精度が7.3%向上している。 このことは、FEPの実践性と効率性だけでなく、資源制約を尊重しながら、その性能上の優位性も強調し、データ不正を求める教育機関に有益な知見を与えている。

関連論文リスト

• From Machine Learning to Machine Unlearning: Complying with GDPR's Right to be Forgotten while Maintaining Business Value of Predictive Models [9.380866972744633]
  この研究は、Ensemble-based iTerative Information Distillation (ETID)と呼ばれる、総合的な機械学習から学習へのフレームワークを開発する。 ETIDには、データ消去要求の処理を容易にする正確な予測モデルを構築するための、新しいアンサンブル学習手法が組み込まれている。 また, 効率的かつ効率的なデータ消去を実現するために, 構築されたアンサンブルモデルに適した, 蒸留に基づく未学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T05:42:46Z)
• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• Erase then Rectify: A Training-Free Parameter Editing Approach for Cost-Effective Graph Unlearning [17.85404473268992]
  グラフアンラーニングは、訓練されたグラフニューラルネットワーク(GNN)からノード、エッジ、属性の影響を排除することを目的としている。 既存のグラフアンラーニング技術は、しばしば残りのデータに対する追加のトレーニングを必要とし、かなりの計算コストをもたらす。 本稿では,2段階の学習自由アプローチであるETR(Erase then Rectify)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T07:20:59Z)
• Federated Prediction-Powered Inference from Decentralized Data [40.84399531998246]
  予測パワー推論(PPI)は信頼性が低いにもかかわらず統計的妥当性を確保するために提案されている。 Fed-PPIフレームワークは、プライベートデータ上でローカルモデルをトレーニングし、Federated Learning (FL)を通じてそれらを集約し、PPIを使用して信頼区間を導出する。
  論文  参考訳（メタデータ） (2024-09-03T09:14:18Z)
• A Medical Data-Effective Learning Benchmark for Highly Efficient Pre-training of Foundation Models [14.688139107248235]
  大規模なデータセットで事前訓練されたファンデーションモデルは、前例のない一般化性を達成した。 本稿では,基礎モデルの事前学習において,最も影響の大きい方法でデータを活用することを目的とした,データ効率のよい学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-31T02:09:21Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• Self-Supervised Learning for Data Scarcity in a Fatigue Damage Prognostic Problem [0.0]
  自己監督学習(Self-Supervised Learning)は、教師なし学習アプローチのサブカテゴリである。 本稿では,未ラベルセンサデータを用いた自己学習型DLモデルの有効性について検討する。 その結果, 自己教師付き事前学習モデルでは, 下流RUL予測タスクにおいて, 非事前学習モデルよりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T06:45:32Z)
• Improved Fine-tuning by Leveraging Pre-training Data: Theory and Practice [52.11183787786718]
  対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。 近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。 本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-24T06:18:32Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。