May, 2019

DAS3H: 建模学生学习和遗忘以优化技能分布式练习的调度

PDF
TL;DR文章研究了基于多技能的记忆优化问题，并提出了一种适用于该问题的学生学习和遗忘模型 DAS3H，该模型结合了过去练习对技能的时空分布的考虑，能更好地预测学生表现并提高学习效果。
spaced repetitionadaptive schedulerstudent modelmemory decaydas3h
发现论文，激发创造
  • 无限人类学习：间隔重复的最佳调度

    使用间隔重复系统的日志数据，针对人类学习中重复学习的作用，在 Leitner 系统中优化复习进度，通过机械土耳其实验验证新物品引入的速率对学习结果的影响等方面进行研究。

    Feb, 2016

  • 基于召回概率的自适应学习优先级预测

    应用机器学习技术中的多元逻辑回归和循环神经网络，提出了可个性化推荐的学习方案，可以帮助学生更好地掌握知识点和时间安排。

    Feb, 2018

  • 向健忘的学习者教授多个概念

    本文从离散优化的角度，介绍了一种新的算法框架，用于教授多个概念，具有较强的性能保证和自适应调度，能够应用于不同的记忆模型，为针对在线单词教学和识别动物物种的应用提供了有效的解决方案。

    May, 2018

  • KARL: 知识感知检索和表示在学生的保持和学习中的应用

    使用检索和 BERT 嵌入式的 KARL 设计出的模型，能够有效和准确地预测学生的记忆，并在 AUC 和校准误差方面优于现有模型，同时还提出了一种利用 DKT 模型的预测能力在线部署 KARL 的教学策略，证明其在中期教育学习中增强学习效果的能力。

    Feb, 2024

  • 动态模块化和稀疏的通用持续学习

    本文研究了基于重复练习的持续学习方法对于解决深度神经网络在面对非稳态数据时产生的遗忘问题的有效性，并引入 brain sparse coding 中的动态模块化与稀疏性 (Dynamos) 来解决任务干扰问题。研究结果表明 Dynamos 在多组数据集上的表现均好，并且所学习的特征表现出模块化和专业化的特点，同时具有重用性。

    Jan, 2023

  • 基于图的持续学习

    本文提出通过增加可学习的随机图来维护和重放以前样本的小型陈情表记忆，来解决非静态分布中可用数据的持续学习问题的方法。在多个基准数据集上的实证结果表明，该模型持续胜过最近提出的基线方法，用于无任务的持续学习。

    Jul, 2020

  • 在连续学习中通过动态内存缓解灾难性遗忘

    本研究介绍了一种使用动态内存来适应医学影像中不断变化的数据漂移及应对灾难性遗忘效应的机器学习算法，并在两种不同扫描协议的临床 CT 数据和合成分类任务中进行了实验验证。实验表明，动态内存能有效对抗多个数据漂移设置下的灾难性遗忘，并不需要显式的知识来识别这些漂移发生的时间。

    Jul, 2020

  • 个性化的遗忘机制与概念驱动的知识追踪

    知识追踪旨在通过分析学生的历史学习数据并预测其未来学习表现，跟踪学生知识状态的变化。本文提出了一个概念驱动的个性化遗忘知识追踪模型（CPF），该模型整合了知识概念之间的层次关系，并结合学生个性化的认知能力，以解决现有遗忘曲线理论模型只考虑时间间隔引起的遗忘问题。实验证明，CPF 模型比基于遗忘曲线理论的方法在预测学生表现方面表现更好，通过个性化遗忘机制更好地模拟了学生知识状态的变化。

    Apr, 2024

  • 神经文本生成中的动态计划采样与模仿损失

    本文介绍了一种基于 Dynamic Scheduled Sampling with Imitation Loss (DySI) 的神经文本生成模型，该模型通过引入模仿损失和动态调度表，解决了常见的曝光偏差问题，在标准机器翻译基准测试数据集上获得了显著的性能提升，并提高了其他文本生成模型的鲁棒性。

    Jan, 2023

  • 学习分布式希伯阶相邻表征

    这篇论文介绍了一种针对不稳定、部分可观测环境下决策的在线隐藏表示学习方法。提出的分布式赫比时态记忆（DHTM）算法基于因子图形式和多组分神经元模型，它旨在捕捉序列数据关系，并对未来观察作出累积预测，形成继承者表示。经实验证明，DHTM 算法在应对动态环境中的时序差异学习方面表现优于经典 LSTM，并与更高级的类似 RNN 的算法相当，加速了继承者表示中的时间差异学习。此外，我们将 DHTM 产生的继承者表示与另一种生物启发的类 HMM 算法 CSCG 进行了比较，发现 DHTM 是解决在线隐藏表示学习动态环境挑战的一种有前途的方法。

    Oct, 2023