Nov, 2023

多个学习者的非参数化教学

HTML
PDF
TL;DR在非参数迭代教学设置中，我们研究了同时教授多个学习者的问题，这是由当前单个学习者教学环境与真实的人类指导情景之间的差距所引发的。在新的问题阐述下，我们引入了一个新的框架--多学习者非参数教学（MINT）。在MINT中，教师旨在指导多个学习者，每个学习者专注于学习一个标量值目标模型。为了实现这一点，我们将问题框架转化为教授一个矢量值目标模型，并将目标模型空间从用于单个学习者场景的标量值再生核Hilbert空间扩展到矢量值空间。此外，我们证明了MINT相比于重复的单个学习者教学提供了显著的教学加速，尤其是当多个学习者可以相互交流时。最后，我们进行了大量的实验，以验证MINT的实用性和效率。
发现论文，激发创造
  • 指数家族中贝叶斯学习者的机器教学

    提出了一个针对贝叶斯模型学习者的最优教学框架，旨在平衡学习者未来损失和教师努力的优化问题，此优化问题在一般情况下很难，但在学习者使用共轭指数族模型的情况下，提出一种近似算法来找到最优教学集，该算法优化了聚合充分统计数据，然后将其解包成实际的教学示例，给出了几个例子来说明该框架。

    Jun, 2013

  • 迭代式机器教学

    本文探讨了机器教学的逆问题，提出了一种新的范例，即学习者使用迭代算法，教师可以根据学习者当前的表现顺序地、智能地提供示例。它着重于实现学习者模型的快速收敛，可以通过设计教学算法减少教学示例并比没有教师进行教学的学习实现更快的收敛。

    May, 2017

  • 黑盒迭代式机器教学

    本文介绍了一种跨空间机器教学的方法，提出了主动查询学习者的机制以提高收敛速度，并比较了不同教师模型的实验验证结果。

    Oct, 2017

  • 机器教学中适应性的作用探析：以版本空间学习算法为例

    本文研究了交互式环境下如何基于学生当前状态，用一种新的模型进行自适应教学，提高版本空间学习者的学习效率和可理解性。通过有效算法和用户测试，验证了提出的模型相较于现有模型的多种优点。

    Feb, 2018

  • 迭代式课堂教学

    本文研究了机器教学的问题，针对教师在教授目标概念时需要面对学生初始状态和学习速度的多样性，证明了当教师掌握学生学习动态时，使用 O(min{d,N} log(1/eps)) 个样本就能够教授整个班级，同时研究了限制条件下的教学策略可行性和教师成本与学生负担之间的平衡关系，实验结果验证了理论分析和提出的分组教学策略。

    Nov, 2018

  • 基于偏好的批次和序列教学: 迈向模型统一视角

    该研究探索了算法机器教学中的不同教学模型和复杂度量度以及它们之间的联系，并提出了一种通过偏好函数刻画教学过程的新框架，通过比较不同的偏好函数诱导出的两种教学模型，即最强的批处理模型和较弱的顺序模型，并鉴别出诱导出VC维度为线性的新型顺序模型的偏好函数，其复杂度结果比最佳批处理模型的VC维度的复杂度结果是二次的得到了十分有力的补充。

    Oct, 2019

  • 一次性机器教学: 较少的示例成本更快地收敛

    本文提出了一种更智能的机器教学范式，即一次性机器教学，并建立了可行的映射方法设计最优化（通常为最小）教学集，以便更快地收敛，从而证明了新教学范式的智能性并验证了该策略的有效性。

    Dec, 2022

  • 非参数迭代机器教学

    本文研究非参数迭代机器教学问题，提出了一种基于随机和贪心方法的函数优化算法应用于此问题，并通过大量实验验证了理论发现的正确性。

    Jun, 2023

  • 基于精通引导的非参数聚类方法来扩展策略预测

    预测学生在解决问题时可能采用的策略（概念序列），有助于自适应教学系统根据学习能力更好地适应不同类型的学习者，从而为学生提供更动态、更吸引人、更个性化的体验。

    Jan, 2024

  • 非参数式隐式神经表征的教学

    通过使用超参数化的多层感知器（MLP）和非参数化教学角度，我们研究了隐式神经表示（INR）的学习。我们提出了一种名为隐式神经教学（INT）的范式，将INR学习视为一个非参数化的教学问题，通过选择信号片段进行迭代训练以实现快速收敛，在各种输入模态下展示了30％以上的训练时间节约。

    May, 2024