論文の概要: CLEAN: Psychometrically Consistent Incremental Cognitive Diagnosis under Concept-Space Expansion via Architectural Isolation

• arxiv url: http://arxiv.org/abs/2610.02278v1
• Date: Thu, 01 Oct 2026 10:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.024224
• Title: CLEAN: Psychometrically Consistent Incremental Cognitive Diagnosis under Concept-Space Expansion via Architectural Isolation
• Title（参考訳）: CLEAN: 概念空間拡大下における心理的に一貫性のあるインクリメンタル認知診断
• Abstract要約: CLEAN(Continual Learning with Expandable and Architecturally Isolated Networks)は、新たな段階的な認知診断フレームワークである。 概念空間の拡張をサポートし、歴史的診断のポイントワイド不変性に関する構造的保証を提供する。 大規模な3つの教育データセットの実験は、CLEANがゼロ表現ドリフトを達成することを示した。
• 参考スコア（独自算出の注目度）: 16.326286685118607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive diagnosis (CD) is a fundamental task in intelligent education that profiles learner proficiency over knowledge concepts. In real-world learning platforms, newly added items continually introduce previously unseen concepts, necessitating dynamic expansion of the underlying concept space. Yet existing incremental CD models assume a fixed concept space, allowing gradients from new items to overwrite historical pathways and induce catastrophic forgetting. More critically, these methods rely solely on soft constraints to preserve historical diagnoses. Such constraints may fail to satisfy the requirement of diagnostic invariance after incremental updates, a requirement known as psychometric consistency in cognitive diagnosis. Therefore, we propose CLEAN (Continual Learning with Expandable and Architecturally Isolated Networks), a novel incremental CD framework supporting concept-space expansion while providing structural guarantees for pointwise invariance of historical diagnoses. Specifically, CLEAN first introduces a strict topological bipartition protocol, freezes historical diagnostic functions and applies deterministic orthogonal column masking to sever gradient interference. Second, to accommodate concept expansion, expandable full-rank branches with micro-variance initialization are deployed to learn novel concepts. Finally, to verify that this architectural design achieves invariance by construction, we formalize Representation Drift (RD) to quantify the perturbation of historical traits. Extensive experiments on three large-scale educational datasets demonstrate that CLEAN achieves zero RD, preserving old-item metrics identically to static anchors through architectural isolation while remaining competitive with or superior to strong continual-learning baselines on new items.
• Abstract（参考訳）: 認知診断(CD)は知能教育における基本的な課題であり、知識概念よりも学習者の習熟度を規定する。 現実世界の学習プラットフォームでは、新たに追加された項目は、未確認の概念を継続的に導入し、基礎となる概念空間を動的に拡張する必要がある。 しかし、既存のインクリメンタルCDモデルは固定された概念空間を仮定し、新しい項目からの勾配を上書きし、破滅的な忘れを誘発する。 より重要なことに、これらの手法は歴史的診断を保存するためのソフトな制約のみに依存している。 このような制約は、漸進的な更新後の診断不変性の要件を満たすことができず、認知診断における心理的一貫性として知られる要件である。 そこで我々はCLEAN(Continual Learning with Expandable and Architecturally Isolated Networks)を提案する。 具体的には、CLEANは、まず厳密なトポロジカル二分割プロトコルを導入し、歴史的診断機能を凍結し、厳密な勾配干渉に決定論的直交列マスキングを適用した。 第二に、概念拡張に対応するために、マイクロ分散初期化を備えた拡張可能なフルランクブランチを配置し、新しい概念を学習する。 最後に, 歴史的特徴の摂動を定量化するために, この構造設計が構築による不変性を検証するために, 表現ドリフト (RD) を定式化する。 大規模な3つの教育データセットに対する大規模な実験は、CLEANがゼロRDを実現し、アーキテクチャ的な分離を通じて静的アンカーと同一の古いアンカーを保存しつつ、新しいアイテムの強力な連続学習ベースラインと競争力を維持していることを示している。

関連論文リスト

• Decoupled Causal Discovery [49.362050391908916]
  本稿では,観測データからの因果発見のためのデカップリング因果発見(DCD)を提案する。 DCDは、重み付け関数を介して非ターゲット変数を分離することにより、マルコフ境界(MB)を直接識別する。 我々はDCDの理論的識別性、健全性、完全性を確立する。
  論文  参考訳（メタデータ） (2026-09-20T10:26:21Z)
• Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis [77.02066500576528]
  プロセス認識言語認知診断(PLCD)フレームワークは、言語から派生した構造を認知の先行点として使用し、学生の後方状態を校正するための応答記録を使用する。 PLCDは、学生のパフォーマンス予測において従来のベースラインを上回るだけでなく、認知伝達能力も高い。
  論文  参考訳（メタデータ） (2026-09-11T03:51:20Z)
• Symbiosis-Inspired Knowledge Distillation for Incremental Object Detection [80.33776636283082]
  インクリメンタルオブジェクト検出は、以前取得した知識を維持しながら、検出器を新しいカテゴリに拡張することを目的としている。 既存のメソッドは、しばしばクラスインクリメンタルな学習の観点を採用し、決定境界を鋭くするために特徴空間を分離する。 本稿では2つの相補的なレベルで対象共生を明示的に活用する共生誘発知識蒸留(SIKD)を提案する。
  論文  参考訳（メタデータ） (2026-07-15T05:21:23Z)
• MedSynapse-V: Bridging Visual Perception and Clinical Intuition via Latent Memory Evolution [17.226939499496996]
  高精度な診断は、静的な画像の特徴だけでなく、暗黙的な診断記憶の専門家が画像解釈中に即座に起動することにも依存する。 本報告では,隠れストリーム内の暗黙的診断記憶を動的に合成することにより,臨床医の呼び出しをシミュレートする潜在診断記憶進化の枠組みを提案する。 内因性パラメータに外部の専門知識を移すことで、診断精度において既存の最先端の手法、特にチェーン・オブ・シント・パラダイムを著しく上回ります。
  論文  参考訳（メタデータ） (2026-04-29T04:23:35Z)
• CoRE: Concept-Reasoning Expansion for Continual Brain Lesion Segmentation [16.903732775774124]
  概念推論拡張(Concept-Reasoning Expansion, CoRE)フレームワークは、視覚的特徴と構造的概念を統合することで、共同決定機構を確立する。 CoREは最先端のパフォーマンスを達成し、効率的な将来の適応のための高い知識の出発点を提供する。
  論文  参考訳（メタデータ） (2026-04-28T08:39:43Z)
• Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis [35.9133156067447]
  医用画像誘導診断におけるクラスインクリメンタルラーニング(CIL)は、新たに出現する疾患のカテゴリに適応しつつ、事前診断知識を維持する必要がある。 補完学習システムにインスパイアされた二重学習フレームワークBi-CRCLを提案する。 5つの医用画像データセットの実験では、様々な条件下での最先端の手法に対する一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-03-24T21:25:05Z)
• Skin-R1: Toward Trustworthy Clinical Reasoning for Dermatological Diagnosis [27.666376727163073]
  SkinR1は、深い教科書に基づく推論と強化学習(RL)の広範な一般化能力を組み合わせた新しい皮膚視覚言語モデル(VLM)である。 まず、高忠実度、階層認識、差動診断(DDx)インフォームド・トラジェクトリを合成する教科書ベースの推論生成器を設計する。 第2に,教師付き微調整(SFT)に構築された軌道を利用して,基礎的推論能力を持つモデルを実現する。
  論文  参考訳（メタデータ） (2025-11-18T20:38:36Z)
• Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
  CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。 本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-01-09T07:18:48Z)
• Learning to better see the unseen: Broad-Deep Mixed Anti-Forgetting Framework for Incremental Zero-Shot Fault Diagnosis [21.306437024924875]
  ゼロショット断層診断(ZSFD)は、人間の専門家によってラベル付けされた断層特性を予測することによって、目に見えない断層を識別することができる。 本稿では,新しい障害カテゴリと属性から学習することを目的とした,広域混合型アンチフォゲッティングフレームワーク(BDMAFF)を提案する。 提案手法の有効性は,実油圧システムとテネシー・イーストマンベンチマークプロセスによって検証される。
  論文  参考訳（メタデータ） (2024-03-18T02:50:42Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)

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。