論文の概要: MAGE-KT: Multi-Agent Graph-Enhanced Knowledge Tracing with Subgraph Retrieval and Asymmetric Fusion

• arxiv url: http://arxiv.org/abs/2601.16886v1
• Date: Fri, 23 Jan 2026 16:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.768533
• Title: MAGE-KT: Multi-Agent Graph-Enhanced Knowledge Tracing with Subgraph Retrieval and Asymmetric Fusion
• Title（参考訳）: MAGE-KT:サブグラフ検索と非対称融合によるマルチエージェントグラフ強化知識追跡
• Authors: Chi Yu, Hongyu Yuan, Zhiyi Duan,
• Abstract要約: 知識追跡は、学生の学習軌跡をモデル化し、次の質問でパフォーマンスを予測することを目的としている。 我々はMAGE-KT(Multi-Agent Graph-Enhanced Knowledge Tracing)という新しいフレームワークを提案する。 マルチエージェントKC関係抽出器と学生間相互作用グラフを組み合わせた多視点ヘテロジニアスグラフを構築し,意味的および行動的信号をキャプチャする。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) aims to model a student's learning trajectory and predict performance on the next question. A key challenge is how to better represent the relationships among students, questions, and knowledge concepts (KCs). Recently, graph-based KT paradigms have shown promise for this problem. However, existing methods have not sufficiently explored inter-concept relations, often inferred solely from interaction sequences. In addition, the scale and heterogeneity of KT graphs make full-graph encoding both computationally both costly and noise-prone, causing attention to bleed into student-irrelevant regions and degrading the fidelity of inter-KC relations. To address these issues, we propose a novel framework: Multi-Agent Graph-Enhanced Knowledge Tracing (MAGE-KT). It constructs a multi-view heterogeneous graph by combining a multi-agent KC relation extractor and a student-question interaction graph, capturing complementary semantic and behavioral signals. Conditioned on the target student's history, it retrieves compact, high-value subgraphs and integrates them using an Asymmetric Cross-attention Fusion Module to enhance prediction while avoiding attention diffusion and irrelevant computation. Experiments on three widely used KT datasets show substantial improvements in KC-relation accuracy and clear gains in next-question prediction over existing methods.
• Abstract（参考訳）: 知識追跡(KT)は、学生の学習軌跡をモデル化し、次の質問でパフォーマンスを予測することを目的としている。 重要な課題は、学生、質問、知識概念(KC)間の関係をより良く表現する方法である。 近年,グラフベースのKTパラダイムがこの問題の可能性を示唆している。 しかし、既存の手法は、しばしば相互作用配列からのみ推測される、概念間関係を十分に探求していない。 さらに、KTグラフのスケールとヘテロジニティは、コストとノイズの両方を計算的に符号化し、学生関係のない領域に注意を向け、KC間の関係の忠実さを低下させる。 これらの問題に対処するため、我々はMAGE-KT(Multi-Agent Graph-Enhanced Knowledge Tracing)という新しいフレームワークを提案する。 マルチエージェントKC関係抽出器と学生間相互作用グラフを組み合わせた多視点ヘテロジニアスグラフを構築し,相補的意味的および行動的信号をキャプチャする。 対象の学生の歴史に基づいて、コンパクトで高価値なサブグラフを検索し、非対称なクロスアテンション・フュージョン・モジュールを用いて統合し、注意拡散や無関係な計算を避けながら予測を強化する。 広く使われている3つのKTデータセットの実験では、KC相関精度が大幅に向上し、既存の手法に対する次の要求予測において明確なゲインが得られた。

関連論文リスト

• TA-KAND: Two-stage Attention Triple Enhancement and U-KAN based Diffusion For Few-shot Knowledge Graph Completion [14.690889651373437]
  知識グラフはインテリジェントな質問応答、レコメンダシステム、その他の領域に広く応用されている。 実世界のデータは、必然的に長い尾を持つ関係の分布を表現し、限られたサンプルで行方不明の事実を完遂することが不可欠である。 本稿では,U-KANに基づく拡散モデルと2段階のアテンショントリプルエンハンサーを統合した数ショットの知識グラフ補完フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-13T05:04:59Z)
• Efficient Knowledge Tracing Leveraging Higher-Order Information in Integrated Graphs [2.4134741591214808]
  DGAKT(Dual Graph Attention-based Knowledge Tracing)を導入する。 これは、学生-運動-KC関係を表すサブグラフからの高次情報を活用するように設計されたグラフニューラルネットワークモデルである。 完全なグローバルグラフモデルと比較して、メモリと計算の要求が大幅に削減される。
  論文  参考訳（メタデータ） (2025-07-24T06:12:43Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• DisenKGAT: Knowledge Graph Embedding with Disentangled Graph Attention Network [48.38954651216983]
  本稿では,知識グラフのための新しいDistangled Knowledge Graph Attention Network (DisenKGAT)を提案する。 DisenKGATは、マイクロディケンジメントとマクロディケンジメントの両方を使用して、知識グラフの背後にある表現を利用する。 私たちの仕事は、様々なスコア関数に適応する強力な堅牢性と柔軟性を持っています。
  論文  参考訳（メタデータ） (2021-08-22T04:10:35Z)
• Mutual Graph Learning for Camouflaged Object Detection [31.422775969808434]
  主な課題は、前景の物体と背景の環境との固有の類似性によって、深いモデルによって抽出された特徴が区別できないことである。 我々は,正規格子からグラフ領域への従来の相互学習の考え方を一般化する,新しい相互グラフ学習モデルを設計する。 すべてのタスク間インタラクションをモデリングするために共有関数を使用するほとんどの相互学習アプローチとは対照的に、mglは異なる補完関係を扱うための型付き関数を備えている。
  論文  参考訳（メタデータ） (2021-04-03T10:14:39Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。