論文の概要: Algorithmic drift in generative adaptive learning

• arxiv url: http://arxiv.org/abs/2610.31041v1
• Date: Thu, 22 Oct 2026 10:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.317947
• Title: Algorithmic drift in generative adaptive learning
• Title（参考訳）: 遺伝的適応学習におけるアルゴリズムドリフト
• Abstract要約: 生成的人工知能は、パーソナライズされた家庭教師の民主化を約束する。 現在の倫理的議論は静的バイアスに焦点を当てている。 本稿では,アルゴリズムのドリフトに固有の脅威が存在することを論じる。
• 参考スコア（独自算出の注目度）: 1.4587536777419217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative artificial intelligence promises to democratize personalized tutoring, yet the longitudinal stability of adaptive systems remains under-theorized. Current ethical discourse focuses on static bias. This paper argues that a distinct threat lies in algorithmic drift: a feedback loop in which minor, demographically asymmetric observation errors compound over time into systemic inequities. We make three contributions. First, we formalize algorithmic drift as a coupled learner--tutor dynamical system. Second, we corroborate this theory with an agent-based Monte Carlo simulation in which either a transparent online tracker or an LSTM deep-knowledge-tracing network drives an IRT-based curriculum policy. Third, we introduce the temporal fairness stabilizer (TFS), a targeted intervention that periodically re-probes learner capability, and benchmark it against standard exploration baselines with explicit group-fairness metrics and replication-level inference. Within the modeled environment, TFS closes the achievement gap where generic exploration does not, and we characterize the conditions under which it succeeds. We separate what is established analytically, what is demonstrated in simulation, and what remains to be validated with real learners. Our results reframe algorithmic fairness in education as a temporal property of a closed loop rather than a deployment-time checkbox.
• Abstract（参考訳）: 生成的人工知能は、パーソナライズされた家庭教師の民主化を約束するが、適応システムの長手的な安定性はいまだに理論化されていない。 現在の倫理的議論は静的バイアスに焦点を当てている。 本稿では,アルゴリズムのドリフトに固有の脅威が存在することを論じる。このループでは,小さな非対称な観察誤差が時間とともに体系的不等式に混在する。 私たちは3つの貢献をします。 まず,アルゴリズムドリフトを並列学習系として定式化する。 第2に、この理論をエージェントベースのモンテカルロシミュレーションと相関付け、透明なオンライントラッカーまたはLSTMディープ知識トラッカーネットワークがIRTベースのカリキュラムポリシーを駆動する。 第3に、時間的公正安定化器(TFS)を導入し、学習者の能力を定期的に改善し、グループフェアネスの指標とレプリケーションレベルの推論で標準的な探索ベースラインに対してベンチマークする。 モデリングされた環境では、TFSは一般的な探索ができない達成のギャップを埋め、それが成功する条件を特徴付ける。 我々は、分析的に確立されたもの、シミュレーションで示されるもの、実際の学習者と検証されるべきもの、を分離する。 本結果は,学習におけるアルゴリズム的公正性を,デプロイ時チェックボックスではなくクローズドループの時間的特性として再設定するものである。

関連論文リスト

• Autonomous Drift Learning in Data Streams: A Unified Perspective [21.166882700131293]
  自律的な学習システムを追求する上で、データ分散とモデル行動が一定であるという前提は、基本的には持続不可能である。 本稿では,システムの運用状態に基づいて分野を体系化する新しい3次元分類法を提案する。 ドリフト適応,連続学習,時間的一般化の断片的パラダイムをブリッジすることで,自己進化型インテリジェントシステム構築のロードマップを概説する。
  論文  参考訳（メタデータ） (2026-05-02T07:11:38Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Operator Models for Continuous-Time Offline Reinforcement Learning [4.808981008878068]
  環境との直接の相互作用は、しばしば安全でないか非現実的であり、歴史的データからオフラインの強化学習を動機付けている。 ハミルトン・ヤコビ・ベルマン方程式に強化学習をリンクし、演算子理論のアルゴリズムを提案することでこの問題に対処する。 具体的には、再生カーネルヒルベルト空間で学習した制御拡散過程の無限小生成という観点から世界モデルを表現している。
  論文  参考訳（メタデータ） (2025-11-13T14:58:30Z)
• On Biologically Plausible Learning in Continuous Time [7.8697431086492955]
  本研究では,生物学的に妥当な学習アルゴリズムを統一した連続時間ニューラルモデルについて検討する。 勾配降下法(SGD)、フィードバックアライメント法(FA)、直接フィードバックアライメント法(DFA)、コレン・ポラック法(KP)などの規則は、力学の制約として自然に現れる。 シミュレーションにより、これらの連続時間ネットワークは、時間的ミスマッチや統合ノイズの下でも、生物学的な時間スケールで安定して学習することが示される。
  論文  参考訳（メタデータ） (2025-10-21T17:04:06Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Long-Term Fairness with Unknown Dynamics [16.683582656377396]
  オンライン強化学習の文脈における長期的公正性を定式化する。 アルゴリズムは短期インセンティブを犠牲にして未知のダイナミクスに適応できることを示す。
  論文  参考訳（メタデータ） (2023-04-19T01:13:37Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)
• Policy Gradient for Continuing Tasks in Non-stationary Markov Decision Processes [112.38662246621969]
  強化学習は、マルコフ決定プロセスにおいて期待される累積報酬を最大化するポリシーを見つけることの問題を考える。 我々は、ポリシーを更新するために上昇方向として使用する値関数の偏りのないナビゲーション勾配を計算する。 ポリシー勾配型アルゴリズムの大きな欠点は、定常性の仮定が課せられない限り、それらがエピソジックなタスクに限定されていることである。
  論文  参考訳（メタデータ） (2020-10-16T15:15:42Z)

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。