通过引入学生 - 习题二分图信息,我们提出了一种自适应语义感知图神经网络层并应用于认知诊断模型 (ASG-CD),以解决其研究中的限制,并在三个真实数据集上进行了广泛实验证明了 ASG-CD 的有效性。
Feb, 2024
本文提出了一种符号认知诊断 (SCD) 框架,该框架使用符号树来解释学生与练习之间的复杂交互过程,并利用基于梯度的优化方法有效地学习学生和练习的参数,实现了对认知诊断方法泛化性和可解释性的改进。
Dec, 2023
为快速检测新学生的掌握水平,提出了一种基于归纳式认知诊断模型的新型学生中心图方法,该方法相对于传统的对特定学生嵌入进行更新的方法更加高效,而且在推理性能上也具有竞争力。
Apr, 2024
本文提出了 Neural Cognitive Diagnosis (NeuralCD) 框架,用于智能教育中的认知诊断,分别使用传统的 Q - 矩阵和改进的文本内容来探索每个练习的概念,并包含神经网络以学习复杂的练习交互作用,从而获得准确和可解释的诊断结果。
Aug, 2019
我们提出了一种新颖的长尾增强图对比学习(LAGCL)方法,通过引入可学习的长尾增强方法来增强尾节点,并基于增强的图生成对比视图,显著改善了推荐系统的性能。
Sep, 2023
本文提出 SL-GAD 方法来进行图数据中的异常检测,该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常,实验结果表明该方法较现有方法具有更好的表现。
Aug, 2021
本文提出了一种名为 “自监督图学习” 的新学习范式,通过生成多个节点视图,使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能,从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。
Oct, 2020
利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能,并提出了一种名为 Muse 的自监督学习框架,通过联合捕获局部结构和长距离依赖关系,提高了图中节点的表示表达能力。
本研究提供一种从数据角度出发的 Boosted Contrastive Learning (BCL) 方法用于自监督长尾学习,以识别长尾分布的尾部数据,通过深度神经网络来自动驱动样本视图的信息差异,从而增强了标签无关情境下的长尾学习效率,并在广泛的基准数据集上展示了超过几种最先进方法的有效性。
May, 2022
通过协同多专家学习 (CoMe) 提出了一种新的长尾图级分类框架,从头部和尾部类的视角发展出平衡对比学习和基于难类挖掘的个体专家分类器训练,并在多专家框架中进行门控融合和解耦知识蒸馏。通过在七个广泛应用的基准数据集上进行全面实验,证明了我们的 CoMe 方法相对于现有技术基准的优势。
Aug, 2023