主题：主动自动机学习；适应性学习；状态匹配；参考模型；样本复杂度；摘要：本文介绍了一种自动学习的新框架，它通过状态匹配提供了对参考模型结构的灵活使用，从而减少了自动学习的样本复杂度。实证评估表明，该适应性学习框架改进了当前的状态艺术水平约两个数量级。

Jun, 2024

开发个性化和适应性教育工具的过程中，探索如何以高效方式跨多样但相关内容实现知识掌握成为关键。本论文引入了名为 EdNetRMABs 的 Education Network Restless Multi-armed Bandits，利用网络表示学习内容间的相互关系，并通过 EduQate 方法，使用具有相互依赖性的 Q 学习在每个时间步骤中做出明智的选择，并通过与基准策略对比使用合成和真实数据建模的学生来证明其有效性。

Jun, 2024

该论文介绍了 SLEGO（软件乐高）系统，这是一个协作式分析平台，通过云平台和可重复使用的模块化微服务，弥合了经验丰富的开发人员和新手用户之间的差距。这些微服务使开发人员能够共享他们的分析工具和工作流程，而简单的图形用户界面（GUI）使新手用户能够构建全面的分析流程而无需编程技能。由一个知识库和基于大型语言模型（LLM）的推荐系统支持，SLEGO 增强了微服务的选择和集成，提高了分析流程构建的效率。金融和机器学习的案例研究说明了 SLEGO 如何促进模块化微服务的共享和组装，显著提高资源的可重用性和团队协作。结果突出了 SLEGO 在将模块化设计、知识库和推荐系统整合起来，促进更加包容和高效的分析环境的作用。

Jun, 2024

优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内，通过上界调整预测的用户满意度分数，并选择最大化这些调整分数的排序操作，以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。

Jun, 2024

本文介绍了一种两阶段个性化引出方案来解决推荐系统在冷启动时的问题，通过要求用户对一小部分热门物品进行评分，并按顺序要求用户评分适应性物品来完善用户偏好和表示，最终根据用户的偏好区域生成推荐结果，并证明了该方法在多个数据集上的有效性。

Jun, 2024

通过开发 P4（Personalized Private Peer-to-Peer）方法解决个性化学习中的客户聚类和数据隐私的挑战，保证每个客户在培训期间和培训后维护不同的隐私保证，并在多个基准数据集和不同的神经网络模型上展示了相对于差分隐私 P2P 技术的高达 40％的精确度提高。

May, 2024

本文提出了一种简洁的概率模型，用于描述合成规划中的不确定性，基于该模型，我们提出了一种名为 retro-prob 的新的合成规划算法，通过利用导数的链式法则实现了高效性，实验表明 retro-prob 在速度和合成方案质量方面优于之前的算法。

May, 2024

使用基于 HTN 的智能教师框架，我们可以提供个性化、适应性的学习体验，并解决现有框架中知识粒度和所提供指导的挑战。

May, 2024

“GotFunding” 是一个基于过去的资助记录的推荐系统，通过将问题视为排序学习，它分析了使预测有效的特征，并显示出排名考虑到了出版物和资助之间的年份差异、出版物提供的信息量以及出版物与资助的相关性。

May, 2024

本研究分析、建模和开发了一个创新的数字学习环境 (DLE)，采用创新的私密学习智能 (PLI) 框架。该提出的 PLI 框架利用联邦机器学习 (FL) 技术来自动构建和不断优化个性化学习模型，确保强大的隐私保护。我们的方法是推进 DLE 能力的关键，使学习者能够积极参与个性化的实时学习体验。在 DLE 中整合 PLI 还简化了个性化教学设计和开发需求。我们致力于建立 FL 与学习系统的无缝集成基础，为数字环境中的个性化学习提供一种革命性的方法。我们的实施细节和代码已公开。

May, 2024