論文の概要: Representing expertise accelerates learning from pedagogical interaction data

• arxiv url: http://arxiv.org/abs/2604.12195v1
• Date: Tue, 14 Apr 2026 01:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.194012
• Title: Representing expertise accelerates learning from pedagogical interaction data
• Title（参考訳）: 専門知識の表現は教育交流データからの学習を促進する
• Authors: Dhara Yu, Karthikeya Kaushik, Bill D. Thompson,
• Abstract要約: インタラクションデータの有効性を支える要因について検討した。 空間ナビゲーションタスクにおいて,専門家と初心者の単純なインタラクションの合成データセットを生成した。 これらのデータセット上でトランスフォーマーモデルをトレーニングし、異なるデータセットへの露出後のパフォーマンスを評価しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Work in cognitive science and artificial intelligence has suggested that exposing learning agents to traces of interaction between multiple individuals can improve performance in a variety of settings, yet it remains unknown which features of interactions contribute to this improvement. We examined the factors that support the effectiveness of interaction data, using a controlled paradigm that allowed us to precisely operationalize key distinctions between interaction and an expert acting alone. We generated synthetic datasets of simple interactions between an expert and a novice in a spatial navigation task, and then trained transformer models on those datasets, evaluating performance after exposure to different datasets. Our experiments showed that models trained on pedagogical interactions were more robust across a variety of scenarios compared to models trained only on expert demonstrations, and that having the ability to represent epistemically distinct agents led to expert-like behavior even when expert behavior was rarely observed.
• Abstract（参考訳）: 認知科学と人工知能の研究は、複数の個人間の相互作用の痕跡に学習エージェントを露出させることで、様々な環境でのパフォーマンスを向上させることを示唆しているが、どの相互作用の特徴がこの改善に寄与するかは分かっていない。 我々は,インタラクションデータの有効性を支える要因について,インタラクションと専門家が単独で行動する重要な区別を正確に操作できる制御パラダイムを用いて検討した。 空間ナビゲーションタスクにおいて、専門家と初心者の単純なインタラクションの合成データセットを生成し、それらのデータセット上でトランスフォーマーモデルを訓練し、異なるデータセットへの露出後のパフォーマンスを評価する。 実験の結果, 教育的相互作用を訓練したモデルは, 専門家のデモンストレーションのみを訓練したモデルに比べて, さまざまなシナリオにおいてより堅牢であること, 専門家の行動がほとんど観察されない場合でも, 認識的に異なるエージェントを表現できる能力を持つことが専門家のような行動に繋がることがわかった。

関連論文リスト

• Learning Diverse Skills for Behavior Models with Mixture of Experts [12.076288904201418]
  Di-BMと呼ばれるMixture of Expertsを用いて,行動モデルの多様なスキルを学ぶことを提案する。 我々のアプローチはプラグアンドプレイであり、標準的な模倣学習手法にシームレスに統合できる。 複数の実世界のロボット操作タスクの実験は、Di-BMが最先端のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-18T13:14:32Z)
• Dynamic Scoring with Enhanced Semantics for Training-Free Human-Object Interaction Detection [51.52749744031413]
  人間オブジェクトインタラクション(HOI)検出は、画像内の人間と物体を識別し、その相互作用を解釈することを目的としている。 既存のHOIメソッドは、視覚的手がかりからインタラクションを学ぶために手動アノテーションを備えた大規模なデータセットに大きく依存している。 本稿では,強化意味論を用いた動的スコーリングのための新しいトレーニング不要なHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T12:30:19Z)
• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• MMoE: Enhancing Multimodal Models with Mixtures of Multimodal Interaction Experts [92.76662894585809]
  MMOE(Multimodal Mixtures of Experts)と呼ばれるマルチモーダルモデルの拡張手法を導入する。 MMoEは様々な種類のモデルに適用でき、改善できる。
  論文  参考訳（メタデータ） (2023-11-16T05:31:21Z)
• Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
  ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。 本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:52Z)
• REPID: Regional Effect Plots with implicit Interaction Detection [0.9023847175654603]
  解釈可能な機械学習手法は、限界特徴効果を可視化するが、特徴相互作用が存在する場合の誤解を招く可能性がある。 興味のある特徴と他の特徴との相互作用を検出する新しいフレームワークである暗黙の相互作用検出を導入する。 このフレームワークはまた、相互作用の強さを定量化し、特徴効果をより確実に解釈できる解釈可能な異なる領域を提供する。
  論文  参考訳（メタデータ） (2022-02-15T08:54:00Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。