論文の概要: EDGE: A Theoretical Framework for Misconception-Aware Adaptive Learning

• arxiv url: http://arxiv.org/abs/2508.07224v1
• Date: Sun, 10 Aug 2025 08:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.763771
• Title: EDGE: A Theoretical Framework for Misconception-Aware Adaptive Learning
• Title（参考訳）: 誤解認識型適応学習のための理論的フレームワークEDGE
• Authors: Ananda Prakash Verma,
• Abstract要約: EDGEは, 評価, 診断, 生成, 演習の4段階からなる, 誤解を考慮した適応学習フレームワークである。 We formalize a Composite Readiness metric, EdgeScore, prove its monotonicity and Lipschitz continuity, and der derived an index policy that is almost-optimal under mild assumptions on forgeting and learning gains。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present EDGE, a general-purpose, misconception-aware adaptive learning framework composed of four stages: Evaluate (ability and state estimation), Diagnose (posterior infer-ence of misconceptions), Generate (counterfactual item synthesis), and Exercise (index-based retrieval scheduling). EDGE unifies psychometrics (IRT/Bayesian state space models), cog-nitive diagnostics (misconception discovery from distractor patterns and response latencies), contrastive item generation (minimal perturbations that invalidate learner shortcuts while pre-serving psychometric validity), and principled scheduling (a restless bandit approximation to spaced retrieval). We formalize a composite readiness metric, EdgeScore, prove its monotonicity and Lipschitz continuity, and derive an index policy that is near-optimal under mild assumptions on forgetting and learning gains. We further establish conditions under which counterfactual items provably reduce the posterior probability of a targeted misconception faster than standard practice. The paper focuses on theory and implementable pseudocode; empirical study is left to future work.
• Abstract（参考訳）: EDGEは,評価(可能性と状態推定),診断(誤認識の後の推論),生成(数値項目合成),実行(インデックスに基づく検索スケジューリング)の4段階からなる汎用的,誤認識対応学習フレームワークである。 EDGEは、サイコメトリックス(IRT/ベイズ状態空間モデル)、コグ陰性診断(注意パターンと応答遅延からの誤認発見)、コントラストアイテム生成(学習者のショートカットを無効にし、サイコメトリック妥当性を保った最小の摂動)、原則的スケジューリング(レスレスト・バンディット近似)を統一する。 We formalize a Composite Readiness metric, EdgeScore, prove its monotonicity and Lipschitz continuity, and der derived an index policy that is almost-optimal under mild assumptions on forgeting and learning gains。 さらに、偽造品が標準よりも高速に対象の誤解の後の確率を確実に減少させる条件を確立する。 この論文は理論と実装可能な擬似コードに焦点を当てており、実証的研究は今後の研究に委ねられている。

関連論文リスト

• APAO: Adaptive Prefix-Aware Optimization for Generative Recommendation [26.371939617653084]
  生成レコメンデーションは自動回帰生成プロセスであり、ユーザインタラクション履歴に基づいて、次の項目の離散トークンを予測する。 既存の生成レコメンデーションモデルは、通常、クロスエントロピー損失のようなトークンレベルの可能性目標で訓練される。 標準的なトレーニングでは、推論中にビームサーチが低確率の分岐を産み出すという事実を無視して、地道の歴史が常に利用可能であると仮定している。
  論文  参考訳（メタデータ） (2026-03-03T08:29:15Z)
• Precedent-Informed Reasoning: Mitigating Overthinking in Large Reasoning Models via Test-Time Precedent Learning [37.40951956513094]
  大規模言語モデル(LLM)における推論は、しばしば、冗長な自己探索と検証を伴う非効率な長い連鎖トレースに悩まされる。 過去の事例を利用して検索空間を制約し、試行錯誤を減らすという人間の推論パターンに着想を得て、先行インフォームド推論(PIR)を提案する。 PIRは、LEMの推論パラダイムを、徹底的な自己探索から、前例からの指導的学習に転換する。
  論文  参考訳（メタデータ） (2026-02-16T04:17:46Z)
• Wild Guesses and Mild Guesses in Active Concept Learning [0.0]
  大規模言語モデル(LLM)による仮説を提唱したニューロシンボリック・ベイズ学習者のトレードオフについて検討する。 我々は,推定情報ゲイン(EIG)を最大化するためにクエリを選択するRational Active Learnerと,人型陽性テスト戦略(PTS)を比較した。 以上の結果から,「確認バイアス」は認知的誤りではなく,人間の思考に特徴的な疎明でオープンな仮説空間において,抽出可能な推論を維持するための合理的適応である可能性が示唆された。
  論文  参考訳（メタデータ） (2026-02-06T16:04:44Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training [76.12556589212666]
  学習後のカリキュラムは指数関数的複雑性のボトルネックを回避していることを示す。 結果のみの報酬信号の下では、強化学習の微調整は、サンプルの複雑さを高い精度で達成する。 カリキュラムを意識したクエリにより、報奨託書の呼び出しとサンプリングコストの両方を指数関数的に削減するテストタイムスケーリングの保証を確立する。
  論文  参考訳（メタデータ） (2025-11-10T18:29:54Z)
• Towards Inference-time Scaling for Continuous Space Reasoning [55.40260529506702]
  推論時間スケーリングは、大規模言語モデルにおけるテキストベースの推論に有効であることが証明されている。 本稿では,そのような確立された手法が連続空間における推論にうまく適応できるかどうかを考察する。 本研究では,ドロップアウト型サンプリングによる多種多様な推論経路の実現可能性を示す。
  論文  参考訳（メタデータ） (2025-10-14T05:53:41Z)
• In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning [51.56484100374058]
  本稿では,ICLリスクをベイズギャップとポストリアバリアンスの2つのコンポーネントに分割する基本的リスク分解を導入する。 一様アテンション変換器の場合、このギャップの非漸近上界を導出し、事前学習プロンプトの数への依存を明確にする。 後方変動は本質的なタスクの不確実性を表すモデルに依存しないリスクである。
  論文  参考訳（メタデータ） (2025-10-13T03:42:31Z)
• Semiparametric Learning from Open-Set Label Shift Data [14.537408547515627]
  オープンセットラベルシフト問題について検討し、テストデータにはトレーニングに欠席した新しいクラスが含まれる可能性がある。 この設定は、クラス比率と新しいクラスの分布の両方が余分な仮定なしでは識別できないため、難しい。 本稿では,新しいクラスと既知のクラス間の重なりを許容しながら,識別可能性を保証する半パラメトリック密度比モデルフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-18T01:32:29Z)
• Exam Readiness Index (ERI): A Theoretical Framework for a Composite, Explainable Index [0.0]
  ERIは、マスター(M)、カバー(C)、保持(R)、ペース(P)、ボラティリティ(V)、耐久(E)の6つの信号を集約する。 我々は成分写像と合成の公理を定式化し、単調性、リプシッツ安定性、およびブループリント再重み付けによる有界ドリフトを証明した。 さらに、ブループリント重み付き濃度による信頼バンドの特徴付けを行い、前提条件を満たすキュリキュラとの整合性を証明した。
  論文  参考訳（メタデータ） (2025-08-31T06:56:59Z)
• Probably Approximately Correct Causal Discovery [21.260465708905585]
  本稿では,PACC (Probably Aough correct Causal) Discovery フレームワークを提案する。 このフレームワークは、確立された因果的手法の計算効率とサンプル効率の両方を強調している。 また、他の広く使われている方法の理論的保証を提供することもできる。
  論文  参考訳（メタデータ） (2025-07-25T02:51:15Z)
• General and Estimable Learning Bound Unifying Covariate and Concept Shifts [1.1077154107564848]
  我々は、広い損失関数、ラベル空間、ラベル付けに適用される新しい統一誤差境界を開発することにより、理論と実践的応用のギャップを埋める。 また,ほとんどの分散シフトにおけるエラー境界を定量化するアルゴリズムを開発し,分散シフト下での学習エラーを分析するための厳密で汎用的なツールを開発した。
  論文  参考訳（メタデータ） (2025-06-15T12:18:05Z)
• Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments [5.5855749614100825]
  本稿では,複数の事前学習モデルを活用することで,このリコール低減を緩和できるという仮説を述べる。 我々は,一貫性に基づく推論問題として,様々なモデルからの矛盾する予測を特定し,管理することの課題を定式化する。 本研究は,複数の不完全なモデルから得られた知識を,難易度の高い新しいシナリオにおいて堅牢に統合するための効果的なメカニズムとして,一貫性に基づく誘拐の有効性を検証するものである。
  論文  参考訳（メタデータ） (2025-05-25T23:17:47Z)
• Stochastic Forward-Forward Learning through Representational Dimensionality Compression [7.847900313045352]
  フォワードフォワード(FF)アルゴリズムは、ニューラルネットワークのトレーニングのためのバックプロパゲーション(BP)のボトムアップ代替を提供する。 本稿では, 2次統計構造を組み込むために, 変動するニューラルレスポンスの有効次元性(ED)を用いて, 次元圧縮と呼ばれる新しい良性関数を提案する。
  論文  参考訳（メタデータ） (2025-05-22T13:19:29Z)
• Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
  グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。 本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
  論文  参考訳（メタデータ） (2025-04-04T04:42:38Z)
• Learnability, Sample Complexity, and Hypothesis Class Complexity for Regression Models [10.66048003460524]
  この研究はPACの基礎に触発され、既存の回帰学習問題に動機付けられている。 提案手法はEpsilon-Confidence Aough Correct (epsilon CoAC)で示され、Kullback Leibler divergence(相対エントロピー)を利用する。 これにより、学習者は異なる複雑性順序の仮説クラスを比較でき、それらの中から最小のエプシロンを最適に選択できる。
  論文  参考訳（メタデータ） (2023-03-28T15:59:12Z)
• Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior: From Theory to Practice [54.03076395748459]
  メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。 本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。 PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
  論文  参考訳（メタデータ） (2022-11-14T08:51:04Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Chaos is a Ladder: A New Theoretical Understanding of Contrastive Learning via Augmentation Overlap [64.60460828425502]
  コントラスト学習の下流性能に関する新たな保証を提案する。 我々の新しい理論は、攻撃的なデータ強化の下で、異なるクラス内サンプルのサポートがより重なり合うという知見に基づいている。 本稿では、下流の精度とよく一致した教師なしモデル選択距離ARCを提案する。
  論文  参考訳（メタデータ） (2022-03-25T05:36:26Z)

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。