論文の概要: Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion

• arxiv url: http://arxiv.org/abs/2604.14613v1
• Date: Thu, 16 Apr 2026 04:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.723452
• Title: Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion
• Title（参考訳）: 認知適応拡散を用いた不確かさ認識学習経路勧告
• Authors: Xiangrui Xiong, Hang Liang, Baiyang Chen, Zifei Pan, Yanli Lee,
• Abstract要約: U-GLAD(認識適応拡散を用いた不確実性認識学習経路勧告)を提案する。 表現バイアスに対処するため、このフレームワークは認識状態を確率分布としてモデル化し、ガウスLSTMを通して学習者の根底にある真の状態をキャプチャする。 従来の差別的ランキング手法とは異なり、我々のモデルは生成的拡散モデルを用いて次の最適概念の潜在表現を予測する。
• 参考スコア（独自算出の注目度）: 2.2610361667909835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning Path Recommendation (LPR) is critical for personalized education, yet current methods often fail to account for historical interaction uncertainty (e.g., lucky guesses or accidental slips) and lack adaptability to diverse learning goals. We propose U-GLAD (Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion). To address representation bias, the framework models cognitive states as probability distributions, capturing the learner's underlying true state via a Gaussian LSTM. To ensure highly personalized recommendation, a goal-oriented concept encoder utilizes multi-head attention and objective-specific transformations to dynamically align concept semantics with individual learning goals, generating uniquely tailored embeddings. Unlike traditional discriminative ranking approaches, our model employs a generative diffusion model to predict the latent representation of the next optimal concept. Extensive evaluations on three public datasets demonstrate that U-GLAD significantly outperforms representative baselines. Further analyses confirm its superior capability in perceiving interaction uncertainty and providing stable, goal-driven recommendation paths.
• Abstract（参考訳）: 学習経路勧告(LPR)は、パーソナライズされた教育において重要であるが、現在の手法では、歴史的相互作用の不確実性(例えば、ラッキーな推測や偶然の滑り)を考慮せず、多様な学習目標への適応性に欠けることが多い。 U-GLAD (Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion)を提案する。 表現バイアスに対処するため、このフレームワークは認識状態を確率分布としてモデル化し、ガウスLSTMを通して学習者の根底にある真の状態をキャプチャする。 高度にパーソナライズされたレコメンデーションを保証するために、目標指向のコンセプトエンコーダは、多面的な注意と目的固有の変換を利用して、概念セマンティクスを個別の学習目標と動的に整合させ、独自のカスタマイズされた埋め込みを生成する。 従来の差別的ランキング手法とは異なり、我々のモデルは生成的拡散モデルを用いて次の最適概念の潜在表現を予測する。 3つの公開データセットの大規模な評価は、U-GLADが代表ベースラインを大幅に上回っていることを示している。 さらに、相互作用の不確実性を認識し、安定した目標駆動レコメンデーションパスを提供する上で、その優れた能力を確認する。

関連論文リスト

• Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
  本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。 FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。 これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-14T20:50:30Z)
• Semi-supervised Node Importance Estimation with Informative Distribution Modeling for Uncertainty Regularization [13.745026710984469]
  異種グラフにおける未ラベルデータの学習品質向上を目的とした,最初の半教師付きノード重要度推定フレームワークであるEASINGを提案する。 従来のアプローチとは異なり、EASingはモデル予測の信頼性を反映する不確実性を明示的に捉えている。 EASINGはラベル付きおよび擬似ラベル付きデータに基づいて、ノードの不確かさの正則化を伴う効果的な半教師付きヘテロ代数学学習を開発する。
  論文  参考訳（メタデータ） (2025-03-26T16:27:06Z)
• Prior Learning in Introspective VAEs [26.51505732100697]
  変分オートエンコーダ(VAE)は教師なし学習とデータ生成のための一般的なフレームワークである。 本研究では,イントロスペクティブVAEファミリーの2人のうちの1人であるSoft-IntroVAE(S-IntroVAE)に焦点を当てた。 本稿では,このS-IntroVAEに,マルチモーダルでトレーニング可能なプリエンプティブを組み込むことの意味について検討する。
  論文  参考訳（メタデータ） (2024-08-25T10:54:25Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Reinforcement Learning from Diverse Human Preferences [68.4294547285359]
  本稿では,人選好ラベルをクラウドソーシングし,多様な嗜好から学習する手法を開発した。 提案手法はDMcontrolとMeta-worldの様々なタスクでテストされる。 多様なフィードバックから学ぶと、既存の好みベースのRLアルゴリズムよりも一貫性があり、大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-27T15:18:54Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)

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。