May, 2023

基于知识追踪和强化学习的自适应学习路径导航

PDF
TL;DR本文介绍了自适应学习路径导航（ALPN）系统，它使用基于注意力的知识跟踪（AKT）模型评估学生的知识状态，使用近端策略优化（PPO）的决策模型提供定制的学习材料，通过迭代的推荐和知识状态更新产生高度自适应的学习路径，实验结果表明，该系统的性能优异，为未来 E-learning 系统的发展提供了良好的启示。
adaptive learning path navigatione-learning systemsattention-based knowledge tracingproximal policy optimizationpersonalized learning
发现论文，激发创造
  • 基于图神经网络和强化学习的可扩展自适应学习

    本文介绍了一种灵活可扩展的强化学习方法来解决学习路径个性化推荐问题，该模型是基于图神经网络的顺序推荐系统，并在一组模拟学习者上进行了评估，结果表明它可以学习如何在小数据情况下进行良好的推荐。

    May, 2023

  • ALAN: 多智能体导航的自适应学习

    本论文提出了一个名为 ALAN 的新方法，用于多智能体导航，通过将该问题转化为动作选择问题，允许智能体根据本地条件动态调整它们的行为以实现时间高效和无碰撞的移动，相对于现有方法，该方法在拥挤的空间中实现更高效的全局行为。

    Oct, 2017

  • 采用强化学习的路径生成与细化运动控制的机器人导航

    本文提出了一种基于强化学习的路径生成（RL-PG）方法，以用于移动机器人导航，无需事先探索未知环境。该方法采用深度马尔可夫模型优化的 RL 算法生成多个预测路径点，通过运动微调模块 fine-tuning 机器人的运动以确保跟踪预测点时的安全。通过在模拟和物理平台上的部署，证明本文提出的方法有效并且其成功率更高于 DWA-RL 和传统的 APF 导航方法。

    Oct, 2022

  • 自主学习者之路

    本文提出了一种新的理论方法，通过智能系统实现领域知识获取。我们介绍了一种混合模型，通过一个知识图谱数据库存储和推理最小输入知识，并通过逻辑神经网络学习新信息。我们研究了该系统处理新数据的行为，并展示最终系统能够丰富当前的知识并将其扩展到新领域。

    Nov, 2022

  • 一种自适应随机路径选择方法用于增量学习

    本文提出了自适应随机路径选择网络（Adaptive RPS-Net）算法，并通过使用新任务的最优路径和任务之间参数共享的方式，提高了网络的灵活性和运行效率。使用知识蒸馏和回顾策略，以及路径重用策略来防止灾难性遗忘，通过动态平衡模型可塑性的简单控制器来维护先前和新获取的知识之间的平衡关系。实验证明，该方法在连续学习和速度方面都具有优势。

    Jun, 2019

  • 利用认知结构进行自适应学习

    本研究提出了一种名为 CSEAL 的认知结构增强自适应学习框架，利用 Actor-Critic 算法和循环神经网络，结合标记决策过程来为不同的学习者推荐正确的学习路线，从而达到提高学习效果的目的。

    May, 2019

  • 通过扩散模型增强深度知识追踪以实现个性化自适应学习

    本研究介绍了一种基于生成性人工智能模型的知识追踪方法，通过生成合成的教育记录以增强个性化自适应学习在预测学生未来表现方面的性能。实验证明，由 TabDDPM 生成的人工智能数据显著提升了 Deep Knowledge Tracing 在训练数据稀缺和测试数据丰富的场景下的性能。

    Apr, 2024

  • 上下文感知的关注知识追踪

    本文提出了一种基于神经网络的注意力知识追踪模型（AKT），结合了新颖的解释性模型组件，用于个性化学习和自动化反馈，实验证明 AKT 可以优于现有的 KT 方法，并且具有良好的可解释性。

    Jul, 2020

  • DeepPath: 知识图谱推理的强化学习方法

    本文提出了一种基于强化学习的多跳关系路径学习框架，利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率，并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。

    Jul, 2017

  • 规划与学习：自主车辆路径规划方法综述

    该论文综述了目前与规划、调度和学习相关的最新研究，介绍了规划算法、神经网络、图神经网络、强化学习算法、基于神经网络的路径规划的成功方法，以及带不确定性的时间规划问题。

    Jul, 2022