Feb, 2024

MOOC 中的子群发现：描述不同类型学习者的大数据应用

PDF
TL;DR本文采用基于 MapReduce 的子群发现方法对海量在线公开课（MOOC）中不同类型的学习者进行分类和描述，旨在发现出现在不同 MOOC 中的 IF-THEN 规则。实验结果表明，该方法优于传统的顺序子群发现方法，运行时几乎保持不变，发现的子群也减少了一到两个数量级。此外，发现的子群可供课程教师用于描述以及推荐或个性化任务。
learnersmassive open online coursesmoocssubgroup discoverymapreduce
发现论文，激发创造
  • 使用约束发现稀疏和替代子集描述

    通过使用限制条件和启发式搜索方法，本研究提出了一种在子群发现中提供简单解释并优化的方法，探讨了使用稀疏特征描述子群并寻找具有相似数据对象的替代子群描述的问题，同时证明了这两种限制条件会导致一个 NP - 困难优化问题。通过实验比较，本研究表明启发式方法在有限制条件的子群发现中可以在短时间内产生高质量的子群。

    Jun, 2024

  • 使用主观有趣子群及层次目标挖掘 Java 内存错误

    通过 Subgroup Discovery 技术，针对企业资源规划系统（ERP）中的复杂目标概念，对发生的内存溢出问题进行数据挖掘，并提出了一种处理具有层次结构的复杂目标概念的新方法。

    Oct, 2023

  • 使用 MDL 方法寻找数值目标的优秀子组列表

    本文提出了一种基于 MDL 原则和子组列表的分散感知问题制定的子组集发现方法，提出了 SSD++ 启发式算法，能够返回具有强烈差异的均值和小变差的紧凑子组的非冗余集合。

    Jun, 2020

  • 多层个性化联邦学习用于缓解学生预测分析中的偏差

    本文提出了一种用于学生建模的多层个性化联邦学习 (Multi-Layer Personalized Federated Learning, MLPFL) 方法，旨在优化不同层次学生群组标准的推断准确性。该方法通过分布式训练以元梯度更新推导出团体内个人化模型，并结合多种学生行为模态，实现了个性化建模以提高跨不同学生子群组的预测准确性和稳定性。在三个真实的在线课程数据集上的实验表明，该方法在各种学生子群组中均能取得显著的预测质量改进，并为不同的学生子群组分别提取出特征聚类成果。

    Dec, 2022

  • 通过端到端最大化 KL 散度学习异常子群

    使用 Syflow 方法和正则化流来寻找和描述具有异常目标特性的子群，并提供易于解释的子群描述。

    Feb, 2024

  • 基于实数目标的主观有趣子群发现

    该研究介绍了一种基于主观趣味性框架的方法，用于在高维数据中查找最具信息量的子组。该方法可以同时考虑多个实值目标属性，并且通过迭代数据挖掘支持知识的应用。

    Oct, 2017

  • 通过可解释的多层表示学习在 MOOCs 上对未来几周的退出预测

    本文旨在通过分析学生的点击数据来预测学生是否在下周退出在线学习，研究通过基于 BB 算法的多层表征学习方法对于预测和解释特别有效和可行。

    Feb, 2020

  • 机器学习系统子组绩效监控的高效框架

    本文提出了一个高效的框架来监测机器学习系统的子群体表现，通过使用贝叶斯优化来寻找在有限的标记数据中表现最差的数据子群体。对此框架在各种实际应用数据下进行实验，结果表明其有效地且高效地取回了表现最差的数据子群体。

    Dec, 2022

  • 发现和减轻图像分类器中的多个有偏群体

    通过分解图像特征为多个组分并生成自然语言描述，使用 DIM 方法来发现和减轻图像分类器中的多个有偏群体，并揭示模型在 Hard ImageNet 上的失误模式，以理解图像分类器中的模型偏差。

    Mar, 2024

  • MapReduce 模型下的子模块最优化

    本文介绍了两种在 MapReduce 模型中的基数约束子模规划的简单算法，第一种算法在 2 个 MapReduce 轮中可以实现 1/2 的近似度，第二种算法可以在 1+o (1)/ε 个 MapReduce 轮中实现 1−1/e−ε 的近似度。

    Oct, 2018