Dec, 2023

学生学习中技能分类和预测的概率和信息熵差异

PDF
TL;DR使用贝叶斯定理、概率补、学习事件的概率差异，来预测学习对象在学生学习中的应用；文章通过计算过程演示了技能集事件概率、未发生事件概率、决策树的准确性和技能集数据的信息熵对学生认知表现和学习建议的影响。
probabilityeventbayes' theoremlearning objectsstudent learning
发现论文，激发创造
  • 归纳推理的一般非概率理论

    通过定义和说明，本文提出了一种新的解决方案来代表非概率性信念状态，并将其与概率理论进行比较，发现新理论在结构上类似于概率理论，但更容易实现，并且在某些方面更为简单。

    Mar, 2013

  • 关于信息和证明的关系

    本文提出了一种基于证明的信息量度量方法，该方法以涉及待证公式的可能证明集合（即 “知识库”）定义概率度量，使用熵的方法计算信息量。

    May, 2022

  • 有限域上的知识传递的基本限制

    通过特权信息的不同级别，加速从教师到学生分类器的知识传递效率并且使学生能够获得课程上的优势信息。

    Oct, 2023

  • 评估概率预测

    本研究提出了一种新的评估概率预测效果的方法，该方法利用损失函数以及马氏理论来评估预测结果与实际情况之间的关系。

    Feb, 2012

  • 博弈论、最大熵、最小差异和鲁棒贝叶斯决策理论

    本文研究了极大熵和最小化最坏期望损失之间的密切关系，证明了这两个问题是对偶的，并提供了将一种问题的解用于另一种问题的方法，同时扩展了熵的一般定义，引入了分布差异的最小化概念并建立了相应的理论。

    Oct, 2004

  • 从有限样本中估计概率分布的函数，第一部分：贝叶斯估计量和香农熵

    本文介绍了在数据是从离散概率分布抽取的有限样本时，对熵和其他函数的估计器，尤其是当概率分布为联合分布时，我们提出了对该概率分布的互信息、协方差和卡方函数的有限样本估计器。

    Mar, 1994

  • 概率树与单一干预价值

    本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合，该文提出了概率树作为可能的解决方案。研究发现，单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法，即选择预期增益最高的干预方式，并通过几个例子予以说明；同时，该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。

    May, 2022

  • 不确定最大熵原理

    介绍不确定最大熵法，将黑盒机器学习模型的输出作为输入，使其能够使用噪声观测，同时提高预测精度。

    May, 2023

  • 福尔摩斯不玩骰子：证据理论对社会和生命科学的意义

    证据理论可用于数据融合中，能够表达由于担心事件可能发生而产生的不确定性，与概率论相比，它不仅仅限于决策者目前设想的可能性；我们阐述了 Dempster-Shafer 的组合规则与贝叶斯定理在各种概率论版本中的关系，并讨论了信息论应用受证据理论的增强。最后，我们通过一个审计实例来说明证据理论如何解释部分重叠且部分矛盾的解决方案。

    Sep, 2023

  • 引入一种改良的信息论预测不确定性度量

    应用机器学习模型进行决策需要区分模型所知与不知的内容。本文提供新的洞见，揭示当前预测不确定性度量的局限性，并引入了一种理论上可靠的度量方法来克服这些局限。实验证明，我们引入的度量方法在控制的合成任务中表现得更加合理，并且在利用预测不确定性的实际应用中具有优势。

    Nov, 2023