論文の概要: An Incremental Knowledge-Graph Learner Digital Twin for Evidence-Grounded Early Warning
- arxiv url: http://arxiv.org/abs/2610.36820v2
- Date: Wed, 28 Oct 2026 07:38:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.520085
- Title: An Incremental Knowledge-Graph Learner Digital Twin for Evidence-Grounded Early Warning
- Title（参考訳）: 知識グラフ学習者用デジタルツイン
- Abstract要約: 学習分析における早期警戒モデルは、失敗や離脱のリスクがある学習者を特定することができるが、その結果の警告は、検査可能な学習証拠と弱く結びついていることが多い。
本稿では,軽量知識グラフとして実装されたエビデンスグラウンドの早期警告に対して,インクリメンタルなLearner Digital Twinを提案する。
- 参考スコア（独自算出の注目度）: 26.702635306128865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early-warning models in learning analytics can identify learners at risk of failure or withdrawal, but the resulting alerts are often only weakly connected to inspectable learning evidence. A risk score may indicate that intervention is needed without showing which traces, assessment events, or temporal patterns justify the alert. This paper introduces an incremental Learner Digital Twin for evidence-grounded early warning, implemented as a lightweight knowledge graph. The twin is updated at temporal checkpoints by replaying learning traces and assessment records, and it serves both as a feature-extraction substrate and as an explanation-grounding substrate. Predictive features are derived through graph-mediated queries, while features, attributions, alerts, evidence items, and raw records are represented as queryable graph entities. The framework is instantiated and evaluated on a public learning-analytics benchmark under a temporal protocol. The results show that graph-mediated feature extraction preserves the predictive behavior of equivalent raw-table features across model families and checkpoints. Generated alerts are materialized as evidence chains linking risk decisions to feature attributions, evidence items, and raw platform records. The study shows that early-warning prediction can be routed through a semantic and provenance-aware representation while preserving predictive performance and adding traceability, verifiability, and evidence-grounded explanation.
- Abstract（参考訳）: 学習分析における早期警戒モデルは、失敗や離脱のリスクがある学習者を特定することができるが、その結果の警告は、検査可能な学習証拠と弱く結びついていることが多い。
リスクスコアは、どのトレース、アセスメントイベント、あるいは一時的なパターンがアラートを正当化するかを示すことなく、介入が必要であることを示す可能性がある。
本稿では,軽量知識グラフとして実装されたエビデンスグラウンドの早期警告に対して,インクリメンタルなLearner Digital Twinを提案する。
双生児は、学習痕跡と評価記録を再生することにより、時間的チェックポイントで更新され、特徴抽出基板および説明接地基板として機能する。
予測機能はグラフ経由のクエリによって導き出され、特徴、属性、警告、エビデンスアイテム、生レコードはクエリ可能なグラフエンティティとして表現される。
このフレームワークは、時間的プロトコルの下で、パブリックラーニング分析ベンチマークでインスタンス化され、評価される。
その結果,グラフによる特徴抽出は,モデルファミリやチェックポイント間で等価な生値特徴の予測的挙動を保っていることがわかった。
発生したアラートは、リスク決定と属性、エビデンスアイテム、生のプラットフォームレコードをリンクするエビデンスチェーンとして実現されている。
この研究は、早期警戒予測は、予測性能を保ち、トレーサビリティ、検証可能性、エビデンスに基づく説明を付加しながら、意味的かつ前向きな表現を通してルーティング可能であることを示した。
関連論文リスト
- Demistifying Data and Simulator Assumptions in Supervised Causal Discovery [13.261380935275755]
監視された因果発見は、構造ラベルと組み合わせたトレーニングデータセットから、新しいデータセットの因果構造を推論することを学ぶ。
本稿では,2026年6月までに利用可能な代表手法間の関係について検討する。
論文 参考訳（メタデータ） (2026-09-29T13:03:22Z) - Detect, Unlearn, Restore: Defending Text Summarization Models Against Data Poisoning [2.9148458734058913]
訓練時のデータ中毒は、抽象的なテキスト要約のためにデプロイされた大きな言語モデルに重大な脅威をもたらす。
本報告では, 要約モデルにおいて, 微調整段階の毒を検知し, 即時処理するための統合されたポストホック防御フレームワークを提案する。
以上の結果から, 微調整時中毒は持続的な構造的遺物を残し, 完全再トレーニングを行なわずに, 実用的検出および再デプロイ後の回復を可能にすることが示唆された。
論文 参考訳（メタデータ） (2026-06-24T17:12:42Z) - VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。
We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。
以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
論文 参考訳（メタデータ） (2026-06-15T11:50:56Z) - Why Attention Patterns Exist: A Unifying Temporal Perspective Analysis [61.597286699809395]
textbfTemporal Attention Pattern Predictability Analysis (TAPPA)を紹介する。
TAPPAは、注意パターンを明確な規則性を持つ予測可能なパターンと、効果的にランダムに見える予測不可能なパターンと特徴付けている。
クエリ,キー,ロータリー位置埋め込み(RoPE)の結合効果による3つの代表的な症例の詳細な数学的解析を行う。
論文 参考訳（メタデータ） (2026-01-29T13:40:23Z) - Predicting Tail-Risk Escalation in IDS Alert Time Series [3.7241274058257097]
ネットワークディフェンダーは、生の侵入検知システム(IDS)警告として観察される、安定した攻撃のストリームに直面します。
この研究は、技術的特徴だけでなく、時間的パターンを調べて分類することで、警告を調べることで、リスク測定の範囲を広げます。
論文 参考訳（メタデータ） (2026-01-16T21:00:46Z) - TFLAG:Towards Practical APT Detection via Deviation-Aware Learning on Temporal Provenance Graph [7.676383564795898]
Advanced Persistent Threat (APT) はますます複雑化し、隠蔽されている。
近年の研究では、証明グラフから詳細な情報を抽出するグラフ学習技術が取り入れられている。
本稿では,高度な異常検出フレームワークであるTFLAGを紹介する。
論文 参考訳（メタデータ） (2025-01-13T01:08:06Z) - Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。
本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Adversarial Contrastive Learning for Evidence-aware Fake News Detection
with Graph Neural Networks [20.282527436527765]
本稿では,Contrastive Learning,すなわちGETRALを用いたグラフベースのsEmantic構造マイニングフレームワークを提案する。
まず、グラフ構造化データとしてクレームとエビデンスをモデル化し、長距離セマンティック依存関係をキャプチャします。
次に、詳細なセマンティック表現をクレーム-エビデンス相互作用モジュールに入力して予測を行う。
論文 参考訳（メタデータ） (2022-10-11T14:54:37Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳（メタデータ） (2021-02-05T21:04:31Z) - Handling Missing Data with Graph Representation Learning [62.59831675688714]
特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。
GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。
9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
論文 参考訳（メタデータ） (2020-10-30T17:59:13Z) - One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。
実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文 参考訳（メタデータ） (2020-10-23T03:24:44Z)
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。