論文の概要: Harnessing LLM for Noise-Robust Cognitive Diagnosis in Web-Based Intelligent Education Systems

• arxiv url: http://arxiv.org/abs/2510.04093v2
• Date: Tue, 07 Oct 2025 09:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 13:19:51.478558
• Title: Harnessing LLM for Noise-Robust Cognitive Diagnosis in Web-Based Intelligent Education Systems
• Title（参考訳）: Web ベース知的教育システムにおける騒音・騒音の認知診断のためのハーネスティング LLM
• Authors: Guixian Zhang, Guan Yuan, Ziqi Xu, Yanmei Zhang, Jing Ren, Zhenyun Deng, Debo Cheng,
• Abstract要約: 認知診断のための大規模言語モデル(LLM)は、構造化されたデータに苦慮し、ノイズによって引き起こされる誤った判断をしがちである。 ノイズロバスト認知診断のための拡散型LLMフレームワークを提案する。 提案手法は,様々な騒音レベルにまたがる最適な予測性能を実現する。
• 参考スコア（独自算出の注目度）: 12.91124422916318
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cognitive diagnostics in the Web-based Intelligent Education System (WIES) aims to assess students' mastery of knowledge concepts from heterogeneous, noisy interactions. Recent work has tried to utilize Large Language Models (LLMs) for cognitive diagnosis, yet LLMs struggle with structured data and are prone to noise-induced misjudgments. Specially, WIES's open environment continuously attracts new students and produces vast amounts of response logs, exacerbating the data imbalance and noise issues inherent in traditional educational systems. To address these challenges, we propose DLLM, a Diffusion-based LLM framework for noise-robust cognitive diagnosis. DLLM first constructs independent subgraphs based on response correctness, then applies relation augmentation alignment module to mitigate data imbalance. The two subgraph representations are then fused and aligned with LLM-derived, semantically augmented representations. Importantly, before each alignment step, DLLM employs a two-stage denoising diffusion module to eliminate intrinsic noise while assisting structural representation alignment. Specifically, unconditional denoising diffusion first removes erroneous information, followed by conditional denoising diffusion based on graph-guided to eliminate misleading information. Finally, the noise-robust representation that integrates semantic knowledge and structural information is fed into existing cognitive diagnosis models for prediction. Experimental results on three publicly available web-based educational platform datasets demonstrate that our DLLM achieves optimal predictive performance across varying noise levels, which demonstrates that DLLM achieves noise robustness while effectively leveraging semantic knowledge from LLM.
• Abstract（参考訳）: Web ベースの知的教育システム (WIES) における認知診断は、学生の知識概念の熟達度を異質でノイズの多い相互作用から評価することを目的としている。 最近の研究は認知診断にLarge Language Models (LLMs) を用いているが、LLMは構造化されたデータに苦しむため、ノイズによる誤った判断をしがちである。 特に、WIESのオープンな環境は、新しい学生を継続的に惹きつけ、大量の応答ログを生成し、従来の教育システムに固有のデータ不均衡とノイズ問題を悪化させる。 これらの課題に対処するため,Diffusion-based LLM framework for noise-robust Cognitive diagnosisを提案する。 DLLMは、応答の正しさに基づいて独立したサブグラフを構築し、データ不均衡を軽減するために関係強化アライメントモジュールを適用した。 2つのサブグラフ表現はその後融合され、LLMから派生した意味的に拡張された表現と整列する。 重要なことは、各アライメントステップの前にDLLMは、構造的なアライメントアライメントを補助しながら本質的なノイズを除去するために、2段階のデノナイジング拡散モジュールを使用する。 具体的には,無条件復号拡散はまず誤情報を除去し,次いでグラフ誘導に基づく条件復号拡散により誤報情報を除去する。 最後に、意味知識と構造情報を統合したノイズロスト表現を既存の認知診断モデルに入力し、予測を行う。 3つの公開Webベース教育プラットフォームデータセットによる実験結果から,我々のDLLMは様々なノイズレベルにわたって最適な予測性能を達成し,DLLMはLLMのセマンティック知識を効果的に活用しつつ,雑音の堅牢性を達成することを示した。

関連論文リスト

• Hide and Seek in Noise Labels: Noise-Robust Collaborative Active Learning with LLM-Powered Assistance [17.359530437698723]
  ノイズラベル(LNL)からの学習は、収集されたトレーニングデータが誤ったラベルや破損したラベルを含むことができる多くの実世界のシナリオで発生する課題である。 既存のソリューションのほとんどは、ノイズの多いラベルを特定し、アクティブな学習を採用して、人間の専門家にノイズを問う。 本稿では,大規模な言語モデルと,雑音ラベルから学習するための小さなモデルを組み合わせた,能動的学習に基づく革新的な協調学習フレームワークであるNossalを提案する。
  論文  参考訳（メタデータ） (2025-04-03T04:36:39Z)
• Aligning Large Language Models to Follow Instructions and Hallucinate Less via Effective Data Filtering [66.5524727179286]
  NOVAは、幻覚を減らすための学習知識とよく一致した高品質なデータを特定するために設計されたフレームワークである。 内部整合性探索(ICP)とセマンティック等価同定(SEI)が含まれており、LLMが命令データとどれだけ親しみやすいかを測定する。 選択したサンプルの品質を確保するため,親しみ以上の特性を考慮した専門家による報酬モデルを導入する。
  論文  参考訳（メタデータ） (2025-02-11T08:05:56Z)
• Towards Building a Robust Knowledge Intensive Question Answering Model with Large Language Models [4.4849006637642805]
  抽出された情報におけるノイズや誤差の存在は、LLMの堅牢性に課題をもたらす。 ノイズの多い外部情報によるモデル精度低下の問題に対処するため,データ拡張に基づく微調整手法を提案する。 我々は既存のLCMと我々のアプローチの両方で実験を行い、その結果をGPT-4で評価した。
  論文  参考訳（メタデータ） (2024-09-09T07:32:30Z)
• Disentangled Noisy Correspondence Learning [56.06801962154915]
  クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。 DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
  論文  参考訳（メタデータ） (2024-08-10T09:49:55Z)
• Relation Modeling and Distillation for Learning with Noisy Labels [4.556974104115929]
  本稿では,自己教師型学習を通して,サンプル間の関係をモデル化する関係モデリングと蒸留の枠組みを提案する。 提案手法は,ノイズの多いデータに対する識別表現を学習し,既存の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T01:47:27Z)
• It's Never Too Late: Fusing Acoustic Information into Large Language Models for Automatic Speech Recognition [70.77292069313154]
  大規模言語モデル(LLM)は、自動音声認識(ASR)出力の上の生成誤り訂正(GER)に成功することができる。 本研究では,不確実性認識ダイナミックフュージョン (UADF) と呼ばれる新しい遅延融合解によって予測された転写を生成する前に,音響情報を注入することにより,そのような制限を克服することを目的とする。
  論文  参考訳（メタデータ） (2024-02-08T07:21:45Z)
• Large Language Models are Efficient Learners of Noise-Robust Speech Recognition [65.95847272465124]
  大規模言語モデル(LLM)の最近の進歩は、自動音声認識(ASR)のための生成誤り訂正(GER)を促進している。 本研究では,このベンチマークをノイズの多い条件に拡張し,GERのデノナイジングをLLMに教えることができるかを検討する。 最新のLLM実験では,単語誤り率を最大53.9%改善し,新たなブレークスルーを実現している。
  論文  参考訳（メタデータ） (2024-01-19T01:29:27Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Self-Supervised Learning for speech recognition with Intermediate layer supervision [52.93758711230248]
  自己教師付き学習(ILS-SSL)のための中間層スーパービジョンを提案する。 ILS-SSLは、中間層にSSL損失を追加することで、可能な限りコンテンツ情報に集中させます。 LibriSpeech の他のテストセットの実験により,本手法は HuBERT を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T10:45:05Z)

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。