Feb, 2024

利用自适应关系图神经网络改进认知诊断模型

PDF
TL;DR通过引入学生 - 习题二分图信息，我们提出了一种自适应语义感知图神经网络层并应用于认知诊断模型 (ASG-CD)，以解决其研究中的限制，并在三个真实数据集上进行了广泛实验证明了 ASG-CD 的有效性。
cognitive diagnosiscd algorithmsbipartite graphsemantic-aware graph neural network layeredge differentiation layer
发现论文，激发创造
  • 智能教育系统的神经认知诊断

    本文提出了 Neural Cognitive Diagnosis (NeuralCD) 框架，用于智能教育中的认知诊断，分别使用传统的 Q - 矩阵和改进的文本内容来探索每个练习的概念，并包含神经网络以学习复杂的练习交互作用，从而获得准确和可解释的诊断结果。

    Aug, 2019

  • 通过混合优化进行符号认知诊断的智能教育系统

    本文提出了一种符号认知诊断 (SCD) 框架，该框架使用符号树来解释学生与练习之间的复杂交互过程，并利用基于梯度的优化方法有效地学习学生和练习的参数，实现了对认知诊断方法泛化性和可解释性的改进。

    Dec, 2023

  • 面向长尾认知诊断的自监督图学习

    介绍了一种利用自监督方法和图形混淆来改进在智能教育领域中学生认知诊断的框架。该框架可以提高对少数数据样本的预测性能，尤其在面对长尾效应时更加有效。

    Oct, 2022

  • 基于网络在线智能教育系统的快速学生学习的归纳认知诊断

    为快速检测新学生的掌握水平，提出了一种基于归纳式认知诊断模型的新型学生中心图方法，该方法相对于传统的对特定学生嵌入进行更新的方法更加高效，而且在推理性能上也具有竞争力。

    Apr, 2024

  • 基于自适应门控图卷积网络的脑电数据可解释诊断阿尔茨海默病

    本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

    Apr, 2023

  • 通过进化多目标神经结构搜索设计新颖的认知诊断模型

    通过进化多目标神经架构搜索 (NAS) 自动设计新型认知诊断模型，设计模型具有更好的性能和人工设计模型一样的可解释性。

    Jul, 2023

  • 自闭症谱系障碍分类的图卷积神经网络引导

    通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

    Apr, 2017

  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • 通过高效的科尔莫戈罗夫 - 阿诺德网络赋能神经认知诊断的可解释性

    通过有效的 Kolmogorov-Arnold 网络 (KANs) 来提高神经认知诊断模型（CDM）的解释性，命名为 KAN2CD。实验结果表明，KAN2CD 表现出更好的性能，具备与传统 CDM 类似的解释性，同时训练成本与现有模型相当。

    May, 2024

  • 应用图卷积网络进行疾病预测：自闭症谱系障碍和阿尔茨海默病为例

    本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

    Jun, 2018