論文の概要: Adaptive Knowledge Transfer for Cross-Disciplinary Cold-Start Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2511.20009v1
• Date: Tue, 25 Nov 2025 07:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.334014
• Title: Adaptive Knowledge Transfer for Cross-Disciplinary Cold-Start Knowledge Tracing
• Title（参考訳）: クロスディディシプリナ型コールドスタート知識トレースのための適応的知識伝達
• Authors: Yulong Deng, Zheng Guan, Min He, Xue Wang, Jie Liu, Zheng Li,
• Abstract要約: CDCKT(Cross-Disciplinary Cold-start Knowledge Tracing)は、対象分野における学生のインタラクションデータ不足という重大な課題に直面している。 本稿では,クロスディシプリナ・コールドスタート・ナレッジ・トラシング・フレームワークについて,エキスパートとアドリアティブ・ジェネレーティブ・ネットワークをベースとしたミックスド・オブ・エキスパートを提案する。 本手法の有効性を,20の超越性クロスディシプリナコールドスタートシナリオで検証した。
• 参考スコア（独自算出の注目度）: 14.074283962748261
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cross-Disciplinary Cold-start Knowledge Tracing (CDCKT) faces a critical challenge: insufficient student interaction data in the target discipline prevents effective knowledge state modeling and performance prediction. Existing cross-disciplinary methods rely on overlapping entities between disciplines for knowledge transfer through simple mapping functions, but suffer from two key limitations: (1) overlapping entities are scarce in real-world scenarios, and (2) simple mappings inadequately capture cross-disciplinary knowledge complexity. To overcome these challenges, we propose Mixed of Experts and Adversarial Generative Network-based Cross-disciplinary Cold-start Knowledge Tracing Framework. Our approach consists of three key components: First, we pre-train a source discipline model and cluster student knowledge states into K categories. Second, these cluster attributes guide a mixture-of-experts network through a gating mechanism, serving as a cross-domain mapping bridge. Third, an adversarial discriminator enforces feature separation by pulling same-attribute student features closer while pushing different-attribute features apart, effectively mitigating small-sample limitations. We validate our method's effectiveness across 20 extreme cross-disciplinary cold-start scenarios.
• Abstract（参考訳）: 学際的コールドスタート知識追跡(CDCKT)は、対象分野における学生間相互作用の不十分さによって、効果的な知識状態のモデリングとパフォーマンス予測が妨げられるという、重大な課題に直面している。 既存の学際的手法は、単純なマッピング機能による知識伝達のための分野間の重複するエンティティに頼っているが、(1)オーバーラップしたエンティティは現実世界のシナリオでは不足しており、(2)単純なマッピングは学際的知識の複雑さを適切に捉えていない。 これらの課題を克服するため、我々は、クロスディシプリナリーコールドスタート知識追跡フレームワーク(Mixed of Experts and Adversarial Generative Network-based Cross-Dciplinary Cold-start Knowledge Tracing Framework)を提案する。 まず、ソースの規律モデルとクラスタの学生の知識状態をKカテゴリに事前学習する。 第2に,これらのクラスタ属性は,ドメイン間のマッピングブリッジとして機能するゲーティング機構を通じて,エキスパートネットワークをガイドする。 第三に、対立判別器は、同一属性の学生特徴を近づきつつ、異なる属性の特徴を分解し、事実上小さなサンプル制限を緩和することにより特徴分離を強制する。 本手法の有効性を,20の超越性クロスディシプリナコールドスタートシナリオで検証した。

関連論文リスト

• TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning [15.638836465479619]
  TRiCoは、半教師付き学習の構造を再考する、三進的ゲーム理論の共同学習フレームワークである。 既存のSSLフレームワークにおける重要な制限に対処することによって、TRiCoは原則付き、一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-25T20:10:41Z)
• MUSAR: Exploring Multi-Subject Customization from Single-Subject Dataset via Attention Routing [14.88610127301938]
  MUSARは、シングルオブジェクトのトレーニングデータのみを必要としながら、堅牢なマルチオブジェクトのカスタマイズを実現するためのフレームワークである。 シングルオブジェクト画像からディップチッチトレーニングペアを構築し、マルチオブジェクト学習を容易にするとともに、ディップチッチ構築によって導入された分布バイアスを積極的に補正する。 実験によると、MUSARは既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-05T17:50:24Z)
• Dynamic Cross-Modal Feature Interaction Network for Hyperspectral and LiDAR Data Classification [66.59320112015556]
  ハイパースペクトル画像(HSI)とLiDARデータ共同分類は難しい課題である。 DCMNet(Dynamic Cross-Modal Feature Interaction Network)を提案する。 BSAB(Bilinear Spatial Attention Block)、BCAB(Bilinear Channel Attention Block)、ICB(Integration Convolutional Block)の3つの機能相互作用ブロックを導入している。
  論文  参考訳（メタデータ） (2025-03-10T05:50:13Z)
• Navigating Shortcuts, Spurious Correlations, and Confounders: From Origins via Detection to Mitigation [21.21130450731374]
  Clever Hans氏の行動、刺激的な相関、あるいは共同設立者は、機械学習とAIにおいて重要な課題を提示している。 この領域の研究は、様々な用語で断片化され、分野全体の進歩を妨げている。 我々は,ショートカットを形式的に定義し,文献で用いられる多種多様な用語をブリッジすることによって,統一された分類を導入する。
  論文  参考訳（メタデータ） (2024-12-06T16:10:13Z)
• Noise Contrastive Estimation-based Matching Framework for Low-Resource Security Attack Pattern Recognition [45.34519578504934]
  TTP(Tactics, Techniques and Procedures)は、サイバーセキュリティドメインにおける高度な攻撃パターンを表す。 そこで本研究では,TTPラベルへのテキストの割り当てが,両者の直接的な意味的類似性によって決定される,異なる学習パラダイムの問題を定式化する。 本稿では,効果的なサンプリングベース学習機構を備えたニューラルマッチングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-18T19:02:00Z)
• CasCIFF: A Cross-Domain Information Fusion Framework Tailored for Cascade Prediction in Social Networks [4.480256642939794]
  クロスドメイン情報融合フレームワーク(CasCIFF)は、情報カスケード予測に最適化されている。 このフレームワークは、ユーザ埋め込みを堅牢にするために、マルチホップ近隣情報を利用する。 特に、CasCIFFは、ユーザ分類とカスケード予測のタスクをシームレスに統合されたフレームワークに統合します。
  論文  参考訳（メタデータ） (2023-08-09T13:52:41Z)
• Remote Sensing Object Counting with Online Knowledge Learning [25.328206561308125]
  本稿では,リモートセンシングオブジェクトカウントのためのオンライン蒸留学習手法を提案する。 2つの異なるネットワークをシームレスに統合するエンドツーエンドのトレーニングフレームワークを構築している。 この設計は、教師ブランチから特権的な洞察を受けるだけでなく、学習プロセス中に教師ブランチが保持する知識の潜伏した貯水池を利用できるようにする。
  論文  参考訳（メタデータ） (2023-03-18T03:27:57Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。