論文の概要: A Memetic Walrus Algorithm with Expert-guided Strategy for Adaptive Curriculum Sequencing

• arxiv url: http://arxiv.org/abs/2506.13092v1
• Date: Mon, 16 Jun 2025 04:45:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.488214
• Title: A Memetic Walrus Algorithm with Expert-guided Strategy for Adaptive Curriculum Sequencing
• Title（参考訳）: 適応型カリキュラムシークエンシングのためのエキスパート誘導戦略を用いたメメティック・ワラスアルゴリズム
• Authors: Qionghao Huang, Lingnuo Lu, Xuemei Wu, Fan Jiang, Xizhe Wang, Xun Wang,
• Abstract要約: 本稿では,3つの重要な革新を通じて最適化を向上するメメティック・ワラスを提案する。 OULADデータセットの実験では、MWOの優れたパフォーマンスが示されている。
• 参考スコア（独自算出の注目度）: 14.25038814788708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive Curriculum Sequencing (ACS) is essential for personalized online learning, yet current approaches struggle to balance complex educational constraints and maintain optimization stability. This paper proposes a Memetic Walrus Optimizer (MWO) that enhances optimization performance through three key innovations: (1) an expert-guided strategy with aging mechanism that improves escape from local optima; (2) an adaptive control signal framework that dynamically balances exploration and exploitation; and (3) a three-tier priority mechanism for generating educationally meaningful sequences. We formulate ACS as a multi-objective optimization problem considering concept coverage, time constraints, and learning style compatibility. Experiments on the OULAD dataset demonstrate MWO's superior performance, achieving 95.3% difficulty progression rate (compared to 87.2% in baseline methods) and significantly better convergence stability (standard deviation of 18.02 versus 28.29-696.97 in competing algorithms). Additional validation on benchmark functions confirms MWO's robust optimization capability across diverse scenarios. The results demonstrate MWO's effectiveness in generating personalized learning sequences while maintaining computational efficiency and solution quality.
• Abstract（参考訳）: Adaptive Curriculum Sequencing (ACS)は、パーソナライズされたオンライン学習に不可欠であるが、現在のアプローチは複雑な教育制約のバランスと最適化の安定性を維持するのに苦労している。 本稿では,(1)局所最適からの脱出を改善する老化機構を備えた専門家誘導型戦略,(2)探索と搾取を動的にバランスする適応制御信号フレームワーク,(3)教育的に意味のあるシーケンスを生成するための3段階の優先度機構の3つの主要な革新を通じて,最適化性能を向上させるメメティック・ウォラス・オプティマイザ(MWO)を提案する。 我々は,ACSを概念カバレッジ,時間制約,学習スタイルの整合性を考慮した多目的最適化問題として定式化する。 OULADデータセットの実験では、MWOの優れた性能、95.3%の難易度(ベースライン法では87.2%)、収束安定性(競合アルゴリズムでは18.02対28.29-696.97の標準偏差)を実現している。 ベンチマーク関数に関するさらなる検証は、MWOの様々なシナリオにおける堅牢な最適化能力を確認する。 その結果,計算効率と解の質を維持しつつ,個別化学習シーケンスを生成するMWOの有効性が示された。

関連論文リスト

• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Orthogonally Initiated Particle Swarm Optimization with Advanced Mutation for Real-Parameter Optimization [0.04096453902709291]
  本稿では,多角形PSO(orthogonal PSO with Mutation,OPSO-m)と呼ばれる拡張粒子群(PSO)を紹介する。 PSOのための改良された初期Swarmを育むための配列ベースの学習手法を提案し、Swarmベースの最適化アルゴリズムの適応性を大幅に向上させた。 この記事はさらに、人口を正規グループとエリートグループに分割する、アーカイブベースの自己適応学習戦略を提示する。
  論文  参考訳（メタデータ） (2024-05-21T07:16:20Z)
• FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
  フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。 我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。 我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
  論文  参考訳（メタデータ） (2024-05-20T06:12:33Z)
• Advancements in Optimization: Adaptive Differential Evolution with Diversification Strategy [0.0]
  この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。 ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-02T10:05:41Z)
• A Learning-based Adaptive Compliance Method for Symmetric Bi-manual Manipulation [13.061684545690882]
  シンメトリバイマニュアル操作は、軌道上での操作において必須のスキルである。 従来の手法では、モーションプランニングとコンプライアンスコントロールは2つの別々のモジュールと見なされてきた。 本稿では,対称的双方向操作の効率性とロバスト性を向上させる学習型適応コンプライアンスアルゴリズム(LAC)を提案する。
  論文  参考訳（メタデータ） (2023-03-27T14:51:29Z)
• Introduction to Online Control [34.77535508151501]
  オンラインの非確率制御では、コスト関数と仮定された力学モデルからの摂動の両方が敵によって選択される。 目標は、ベンチマーククラスの政策から見て、最高の政策に対して低い後悔を得ることだ。
  論文  参考訳（メタデータ） (2022-11-17T16:12:45Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)

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。