論文の概要: ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2608.03006v1
• Date: Tue, 04 Aug 2026 01:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.989828
• Title: ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs
• Title（参考訳）: ProPRL:教育知識グラフにおける特性を考慮した前提関係学習
• Abstract要約: 本稿では,前提条件付き関係学習技術であるProPRLを提案する。 実世界の教育データセットの実験では、ProPRL----は前提条件学習に重点を置いている。
• 参考スコア（独自算出の注目度）: 14.38185691211543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prerequisite relation learning is central to adaptive instruction, yet existing methods often formulate it as conventional link prediction, limiting their ability to adaptively integrate complementary educational evidence for individual candidate pairs and to discourage contradictory reverse predictions. We propose ProPRL, a Property-aware Prerequisite Relation Learning framework. ProPRL first learns complementary concept representations from a concept-resource hypergraph and a directed learning-behavior graph, where direction-preserving personalized propagation aggregates multi-hop behavioral evidence. It then employs a Pair-conditioned Gate to adaptively weight and fuse the two views for each candidate ordered concept pair. Finally, an \textit{Irreversibility Constraint} introduces an anti-symmetry regularizer that penalizes simultaneously high confidence in both directions of the same concept pair. Experiments on multiple real-world educational datasets show that ProPRL achieves state-of-the-art performance on prerequisite relation learning.
• Abstract（参考訳）: 前提関係学習は適応的な学習の中心であるが、既存の手法では従来のリンク予測として定式化され、個々の候補ペアに対する補完的な教育的証拠を適応的に統合し、矛盾する逆の予測を阻止する能力が制限される。 本稿では,ProPRL(Property-aware Prerequisite Relation Learning)フレームワークを提案する。 ProPRLは、まず、概念ソースハイパーグラフと指向的な学習行動グラフから補完的な概念表現を学習し、方向保存されたパーソナライズされた伝搬は、マルチホップの行動証拠を集約する。 次に、ピアーコンディション付きゲートを使用して、各候補の順序されたコンセプトペアに対して2つのビューを適応的に重み付け、融合させる。 最後に、 \textit{Irreversibility Constraint} は、同じ概念対の両方向において同時に高い信頼度を示す反対称性正規化器を導入する。 複数の実世界の教育データセットの実験により、ProPRLは前提条件付き関係学習において最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Self-Prophetic Decoding to Unlock Visual Search in LVLMs [108.77389957341586]
  LVLM(Large Vision-Language Models)は、真のマルチモーダル推論に向けて急速に進化している。 LVLMビジュアルサーチは、訓練後の本質的能力の非互換性と、長い多段階推論コンテキストにおける干渉の2つの主要な課題に直面している。 固有単一ステップ機能を活用してコヒーレントな多ステップ推論を可能にする自己プロヒーレントデコーディングフレームワークであるSeProDを紹介する。
  論文  参考訳（メタデータ） (2026-05-27T17:01:39Z)
• Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion [2.2610361667909835]
  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。
  論文  参考訳（メタデータ） (2026-04-16T04:39:53Z)
• Incomplete Multi-View Multi-Label Classification via Shared Codebook and Fused-Teacher Self-Distillation [39.27376279295644]
  一貫性のある表現学習のためのより構造化されたメカニズムを導入する。 マルチビュー共有コードブックとクロスビュー再構成を用いて、離散的な一貫した表現を学習する。 さらに,融合型自己蒸留フレームワークについても紹介する。
  論文  参考訳（メタデータ） (2026-04-05T16:22:38Z)
• Understanding Self-supervised Contrastive Learning through Supervised Objectives [2.0305676256390934]
  我々は,自己教師付き表現学習を,教師付き表現学習目標に対する近似として定式化する。 我々の導出は、自然にプロトタイプ表現バイアスとバランスの取れた対照的な損失の概念を導入します。 正対相互作用と負対相互作用のバランス効果を実証的に検証する。
  論文  参考訳（メタデータ） (2025-10-12T12:43:03Z)
• Improving Language Models Meaning Understanding and Consistency by Learning Conceptual Roles from Dictionary [65.268245109828]
  現代事前訓練言語モデル(PLM)の非人間的行動は、その信頼性を損なう主要な原因である。 驚くべき現象は、矛盾した結果を生み出す不整合予測の生成である。 本研究では,PLMの認知度を向上させることで,一貫性のない行動問題を緩和する実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:15:15Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)
• Generalized Unbiased Scene Graph Generation [85.22334551067617]
  一般化Unbiased Scene Graph Generation (G-USGG)は、述語レベルと概念レベルの不均衡を考慮に入れている。 本稿では,まれ/非一般的/共通概念間のバランスの取れた学習プロセスを確実にするマルチコンセプト学習(MCL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-09T08:51:03Z)
• ConMatch: Semi-Supervised Learning with Confidence-Guided Consistency Regularization [26.542718087103665]
  本稿では,ConMatchと呼ばれる擬似ラベルの信頼度によって重み付けされた画像の2つの強化されたビューから,モデルの予測間の一貫性の正則化をインテリジェントに活用する,新しい半教師付き学習フレームワークを提案する。 提案手法に対するConMatchの有効性を実証する実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2022-08-18T04:37:50Z)
• R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning [83.13634692459486]
  本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。 その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。 提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
  論文  参考訳（メタデータ） (2020-04-22T14:48:03Z)

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。