論文の概要: Text as an Index for Zero-Shot Cross-Domain Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2610.41883v1
• Date: Fri, 30 Oct 2026 15:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.7888
• Title: Text as an Index for Zero-Shot Cross-Domain Knowledge Tracing
• Title（参考訳）: ゼロショット横断的知識追跡のための指標としてのテキスト
• Abstract要約: 知識追跡は、学生の次の反応を歴史から予測する。 新しいプラットフォームは、しばしば質問テキストを持っているが、トレーニングのためのレスポンスログがなく、ゼロショットのクロスドメインKTを動機付けている。 本稿では,ドメインローカルな歴史的証拠構築から行動系列モデリングを分離したTIZSKTを提案する。
• 参考スコア（独自算出の注目度）: 14.125951420694475
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Knowledge tracing (KT) predicts a student's next response from their history. New platforms often have question texts but no response logs for training, motivating zero-shot cross-domain KT. Existing transfer and cold-start methods use question semantics, but cross-platform semantic discrepancies limit transferability. We propose TIZSKT, which separates behavioral sequence modeling from domain-local historical evidence construction and uses text as an index rather than a directly transferable predictive representation. The Mastery-Dynamics Encoder learns correctness dynamics without question identifiers or text embeddings. Domain-Local Question Addressing builds fixed question addresses using a frozen text encoder and an unsupervised per-domain projection. The Text-Addressing Kernel uses these addresses to aggregate the current student's previous outcomes into a question-specific historical correctness summary. Cross-Segment Continuation retains access to earlier responses without extending the behavioral encoder's input sequence. Evidence-Volume Read-Out preserves the total kernel mass discarded by normalization and combines its log-compressed value with the behavioral state and historical correctness summary to predict the next response. All trainable parameters are learned from source domains; target inference uses public question texts and the current student's observed history without target-domain training. Leave-one-domain-out experiments on three public datasets show that TIZSKT achieves the highest mean AUC and accuracy among evaluated baselines on all target domains. Ablations confirm the contributions of text addressing and cross-segment continuation.
• Abstract（参考訳）: 知識追跡(KT)は、学生の歴史から次の反応を予測する。 新しいプラットフォームは、しばしば質問テキストを持っているが、トレーニングのためのレスポンスログがなく、ゼロショットのクロスドメインKTを動機付けている。 既存のトランスファーとコールドスタートは質問セマンティクスを用いるが、クロスプラットフォームのセマンティクスはトランスファー可能性を制限する。 本稿では、ドメインローカルな歴史的証拠構築から行動シーケンスモデリングを分離するTIZSKTを提案し、直接転送可能な予測表現ではなく、テキストを指標として利用する。 Mastery-Dynamics Encoderは、質問の識別子やテキストの埋め込みなしで正確さのダイナミクスを学習する。 Domain-Local Question Addressingは、凍結されたテキストエンコーダと教師なしのドメインごとのプロジェクションを使用して、固定された質問アドレスを構築する。 Text-Addressing Kernelはこれらのアドレスを使用して、現在の学生の過去の結果を質問固有の歴史的正しさの要約に集約する。 Cross-Segment Continuationは、動作エンコーダの入力シーケンスを拡張することなく、以前のレスポンスへのアクセスを保持する。 Evidence-Volume Read-Outは、正規化によって破棄された全カーネルの質量を保存し、ログ圧縮された値と行動状態と過去の正しさの要約を組み合わせて次の応答を予測する。 トレーニング可能なパラメータはすべて、ソースドメインから学習される。ターゲット推論は、パブリックな質問テキストと、現在の学生の観察履歴を、ターゲットドメインのトレーニングなしで使用する。 3つのパブリックデータセットのドメインアウト実験から、TIZSKTは、すべてのターゲットドメインで評価されたベースラインの中で、最も平均的なAUCと精度を達成している。 アブレーションはテキストアドレッシングとクロスセグメンテーションのコントリビューションを確認する。

関連論文リスト

• CARTS: Contextual Autoregressive Rank Transcoding Steganography for Full-Capacity Keyed Text Encoding [45.88028371034407]
  自己回帰言語モデルは、ペイロードのテキストを、位置ごとのランク情報を保存することで、同一のトークン長のステゴテキストに変換するために使用することができる。 本稿では,CARTS(Conserving Autoregressive Rank Transcoding Steganography)の最初の厳密な治療について述べる。 Llama 3 8Bの実験的な研究により、全ての試験ケースで元のペイロードの正確な回収が確認された。
  論文  参考訳（メタデータ） (2026-09-09T18:41:11Z)
• Reward-Guided Semantic Evolution for Test-time Adaptive Object Detection [82.2968697030677]
  Grounding DINOのような視覚言語モデル(VLM)を用いたオープン語彙オブジェクト検出は、テスト時間分布シフト時の性能劣化に悩まされる。 Reward-Guided Semantic Evolution (RGSE) は、テスト時にテキストの埋め込みを直接洗練するトレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-06T06:17:41Z)
• ESTR-CoT: Towards Explainable and Accurate Event Stream based Scene Text Recognition with Chain-of-Thought Reasoning [57.767536707234036]
  本稿では,イベントストリームシーンのテキスト認識フレームワークESTR-CoTを提案する。 具体的には、まず視覚エンコーダEVA-CLIPを採用し、入力イベントストリームをトークンに変換し、Llamaトークン化器を使用して与えられた生成プロンプトをエンコードする。 Qフォーマーは、事前訓練された大言語モデルVicuna-7Bにビジョントークンを整列させ、応答とチェーン・オブ・シークレット(CoT)推論プロセスの両方を同時に出力する。
  論文  参考訳（メタデータ） (2025-07-02T23:41:31Z)
• Self-supervised Pre-training of Text Recognizers [0.0]
  マスク付きラベル予測に基づく自己教師付き事前学習手法について検討する。 我々は、歴史的手書き(ベンサム)と歴史的印刷データセットの実験を行う。 評価の結果,対象領域からのデータの自己教師付き事前学習は非常に効果的であるが,近縁領域からの移行学習よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-01T09:58:57Z)
• Optimizing Factual Accuracy in Text Generation through Dynamic Knowledge Selection [71.20871905457174]
  言語モデル(LM)は、私たちが情報と対話する方法に革命をもたらしたが、しばしば非現実的なテキストを生成する。 従来の手法では、外部知識をテキスト生成の参照として使用して事実性を高めるが、無関係な参照の知識の混在に苦慮することが多い。 本稿では,テキスト生成プロセスを反復処理に分割するDKGenを提案する。
  論文  参考訳（メタデータ） (2023-08-30T02:22:40Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• Evaluating Factual Consistency of Texts with Semantic Role Labeling [3.1776833268555134]
  本稿では,テキスト要約を念頭に設計した参照不要評価指標SRLScoreを紹介する。 最終事実度スコアは、調整可能なスコアリング機構により算出される。 英語の要約データセットにおける人間の判断との相関は、SRLScoreが最先端の手法と競合していることを示している。
  論文  参考訳（メタデータ） (2023-05-22T17:59:42Z)
• Mining Word Boundaries in Speech as Naturally Annotated Word Segmentation Data [41.494096583913105]
  中国語単語セグメンテーション(CWS)の自然な注釈付きデータの探索に触発されたこの研究は、パラレル音声/テキストデータから単語境界を抽出することを提案する。 まず、実験で使用したCWSデータに関連する2つのインターネットソースから、並列音声/テキストデータを収集する。 隣接する文字間の停止時間に応じて単語境界を決定するための文字レベルのアライメントと簡単なルールを設計する。
  論文  参考訳（メタデータ） (2022-10-31T08:02:21Z)
• Open Domain Question Answering over Virtual Documents: A Unified Approach for Data and Text [62.489652395307914]
  我々は、知識集約型アプリケーションのための構造化知識を符号化する手段として、Data-to-text法、すなわち、オープンドメイン質問応答(QA)を用いる。 具体的には、ウィキペディアとウィキソースの3つのテーブルを付加知識源として使用する、データとテキスト上でのオープンドメインQAのための冗長化-レトリバー・リーダー・フレームワークを提案する。 UDT-QA(Unified Data and Text QA)は,知識インデックスの拡大を効果的に活用できることを示す。
  論文  参考訳（メタデータ） (2021-10-16T00:11:21Z)
• Constructing interval variables via faceted Rasch measurement and multitask deep learning: a hate speech application [63.10266319378212]
  本稿では,教師付き深層学習と多面的ラッシュアイテム応答理論(IRT)構築手法を組み合わせることで,連続区間スペクトル上の複素変数を測定する手法を提案する。 われわれは、YouTube、Twitter、Redditから5万件のソーシャルメディアコメントを収集し、1万1000人の米国拠点のAmazon Mechanical Turkの労働者によってラベル付けされたデータセット上で、この新しい手法を実証した。
  論文  参考訳（メタデータ） (2020-09-22T02:15:05Z)

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。