使用深度学习技术预测编程竞赛参赛者的表现
通过使用文本分类技术来确定竞技编程问题的领域的方法,使用 LSTM、GRU 和 MLP 等多种模型对 Codeforces 网站上的 2400 个问题进行训练和测试,最高准确度达到 78.0%。
Aug, 2023
本文研究了使用深度学习解决编程竞赛问题的方法,首先使用神经网络预测输入输出之间的关系,然后结合搜索技术和 SMT 求解器进一步优化,实验证明该方法可显著提高效率和解决程度。
Nov, 2016
通过收集来自 Codeforces 的问题样本,我们提出了一个用于预测算法标签的真实世界算法问题多任务数据集,这是迄今为止与之前的研究相比最大规模的数据集。此外,我们的工作是首次解决算法问题难度级别的预测,我们提出了一种基于深度学习的新方法,可以同时预测算法标签和算法问题的难度级别。
Oct, 2023
使用深度学习技术(CNN 和 RNN-LSTM)预测在线课程传递中学生的绩效,通过三个不同地区收集的数据集,实验结果表明深度学习模型在两个数据集中优于其他优化的传统机器学习模型,并在第三个数据集上具有可比性的性能。
Jan, 2024
合作竞争的科学和技术领域变得越来越受欢迎。本文描述了一种评估方法来对比竞赛结果和竞争。这种方法具有普适性,但是以八个自然语言竞赛为案例进行了说明,涉及分类和回归问题。所提出的方法具有多种优势,包括与修正机制的即插即用比较和置信区间的包含。此外,我们引入了一些指标,使组织者能够评估竞赛的难度。我们的分析显示了我们方法在有效评估竞赛结果方面的潜在有用性。
Mar, 2024
针对编程在线评测平台的编程问题的难度级别自动估计问题,我们提出了结合文本模态和代码模态的预训练模型构建统一模型的方法,并且通过两个编程在线评测平台数据集的实验证明了该方法的有效性和两种模态的贡献。
Jun, 2024
AlphaCode 是一个针对竞争性编程问题的系统,通过三个关键组件(专业数据集、高效转换架构和大规模模型采样)实现针对较深层次的推理并在 Codeforces 上实现了良好和可靠的表现。
Feb, 2022
本文提出了一种名为 AutoCompete 的高度自动化的机器学习框架,用于应对机器学习比赛,在数据类型、模型选择、超参数调整、避免过拟合和优化等方面具有较高效率,并证明了该系统相较于其他方法需要更少的运行时间并产生更好(或相同)的结果。
Jul, 2015
研究如何使用 Wide & Deep 模型自动化判断在线一对一数学课堂中学生掌握情况的过程,并根据预测表示进行实验验证并展示了该模型在不同评价指标下的优越性和可用性。
Jul, 2022
基于其让学习者更好地掌握编程技能和个性化编程指导的目标,本文提出了一种名为 PERS 的新模型,通过模拟学习者复杂的编程行为,并结合 Felder-Silverman 学习风格模型,实现对编程行为的全面描述和个性化编程指导的有效性验证。
Feb, 2024