論文の概要: MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing
- arxiv url: http://arxiv.org/abs/2605.08697v1
- Date: Sat, 09 May 2026 05:10:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.822593
- Title: MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing
- Title（参考訳）: MBP-KT:メタ行動パターンからグローバルな協調情報を学習して知識追跡を強化する
- Abstract要約: 協調的情報に基づく知識追跡(KT)は,学習者の知識状態のモデリングを強化するための有望な方法である。
KTのための一般的なメタ行動パターン認識フレームワーク(MBP-KT)を提案する。
MBP-KTは、生の相互作用配列を異なるメタ行動パターンの組み合わせに変換する新しいメタ行動配列構造を導入している。
- 参考スコア（独自算出の注目度）: 6.024183772457911
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emerging collaborative information-based knowledge tracing (KT) has been a promising way to enhance modeling of learners' knowledge states. The core idea is to extract the collaborative information from interaction sequences of other learners to assist the prediction on the target one. Despite effectiveness, existing methods are built on the raw interaction sequences with tailored modules, which inevitably limits their capacity in deeply capturing learning behavioral patterns and generalization. To this end, we propose a general meta-behavioral pattern-aware framework (MBP-KT) for KT. Specifically, MBP-KT introduces a novel meta-behavioral sequence construction to transform the raw interaction sequences into the combinations of different meta-behavioral patterns. In this way, the learning behavioral patterns of learners can be effectively preserved. Then, MBP-KT develops a parameter-free module to extract the global collaborative representations from the constructed meta-behavioral sequences. Moreover, MBP-KT provides general injection strategies to introduce the extracted global collaborative information into various downstream KT models, ensuring the universality of the collaborative information. Extensive results on real-world datasets demonstrate that MBP-KT can consistently boosts the performance of a wide range of KT models.
- Abstract（参考訳）: 協調的情報に基づく知識追跡(KT)は,学習者の知識状態のモデリングを強化するための有望な方法である。
中心となる考え方は、他の学習者の相互作用シーケンスから協調情報を抽出し、ターゲットの予測を支援することである。
有効性にもかかわらず、既存の手法は、学習行動パターンや一般化を深く捉える能力に必然的に制限される、調整されたモジュールとの生の相互作用配列に基づいて構築されている。
そこで本稿では,KTのための一般的なメタ行動パターン認識フレームワーク(MBP-KT)を提案する。
具体的には、MBP-KTは、生の相互作用配列を異なるメタ行動パターンの組み合わせに変換する新しいメタ行動配列構造を導入している。
このように学習者の学習行動パターンを効果的に保存することができる。
そこで,MPP-KTは,構築されたメタビヘイビア配列からグローバルな協調表現を抽出するパラメータフリーモジュールを開発した。
さらに、MPP-KTは、抽出したグローバルコラボレーティブ情報を様々な下流KTモデルに導入するための一般的なインジェクション戦略を提供し、コラボレーティブ情報の普遍性を保証する。
実世界のデータセットに対する大規模な結果から、MBP-KTは広範囲のKTモデルの性能を継続的に向上させることができることが示される。
関連論文リスト
- Modality-Agnostic Prompt Learning for Multi-Modal Camouflaged Object Detection [61.36976558603528]
本稿では,Segment Anything Model(SAM)のためのモダリティに依存しないマルチモーダルプロンプトを生成する新しいフレームワークを提案する。
具体的には,データ駆動型コンテンツドメインと知識駆動型プロンプトドメインとのインタラクションを通じて,マルチモーダル学習をモデル化する。
さらに,微粒なプロンプトキューを組み込むことで,粗い予測をキャリブレーションする軽量マスクリファインモジュールを導入する。
論文 参考訳（メタデータ） (2026-04-14T07:13:28Z) - Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。
USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
論文 参考訳（メタデータ） (2025-08-18T02:42:16Z) - MSCI: Addressing CLIP's Inherent Limitations for Compositional Zero-Shot Learning [8.021031339658492]
構成ゼロショット学習は、既知の組み合わせを活用して、目に見えない状態オブジェクトの組み合わせを認識することを目的としている。
既存の研究は基本的にCLIPのクロスモーダルアライメント機能に依存している。
本稿では,CLIPのビジュアルエンコーダの中間層情報を効果的に探索し,活用する多段階クロスモーダルインタラクションモデルを提案する。
論文 参考訳（メタデータ） (2025-05-15T13:36:42Z) - RouterKT: Mixture-of-Experts for Knowledge Tracing [1.983472984641239]
知識追跡(KT)は知能学習システム(ITS)の基本課題である
異種学習パターンをキャプチャする新しいMixture-of-ExpertsアーキテクチャであるRouterKTを提案する。
RouterKTは,様々なKTバックボーンモデルの性能向上と柔軟性を示す。
論文 参考訳（メタデータ） (2025-04-11T21:42:08Z) - Federated Cross-Training Learners for Robust Generalization under Data Heterogeneity [28.506414879932635]
これにより、モデルは異なるソースからのデータをトレーニングし、一般化能力を改善することができる。
パーソナライズされた視点からの知識の蒸留は、クライアント固有の特性を保持し、局所的な知識基盤を広げる。
我々は,FedCTが局所的,グローバル的両視点からの知識を緩和し,最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-05-30T13:27:30Z) - Self-Supervised Representation Learning with Meta Comprehensive
Regularization [11.387994024747842]
既存の自己管理フレームワークに組み込まれたCompMod with Meta Comprehensive Regularization (MCR)というモジュールを導入する。
提案したモデルを双方向最適化機構により更新し,包括的特徴を捉える。
本稿では,情報理論と因果対実的視点から提案手法の理論的支援を行う。
論文 参考訳（メタデータ） (2024-03-03T15:53:48Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳（メタデータ） (2024-01-28T08:56:49Z) - Cross-Video Contextual Knowledge Exploration and Exploitation for
Ambiguity Reduction in Weakly Supervised Temporal Action Localization [23.94629999419033]
弱教師付き時間的行動ローカライゼーション(WSTAL)は、ビデオレベルのラベルを用いて、未トリミングビデオ中のアクションをローカライズすることを目的としている。
私たちの研究は、データセット内のビデオ間のコンテキスト知識を探索し、活用することで、これを新しい視点から解決します。
我々の手法は最先端の手法よりも優れており、他のWSTAL手法に簡単に接続できる。
論文 参考訳（メタデータ） (2023-08-24T07:19:59Z) - USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text
Retrieval [115.28586222748478]
Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。
既存のアプローチは通常、2つの大きな制限に悩まされる。
論文 参考訳（メタデータ） (2023-01-17T12:42:58Z) - Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。
BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
論文 参考訳（メタデータ） (2022-08-22T09:07:02Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:28:14Z)
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。