- 自适应主动自动机学习中的状态匹配和多重参考
主题：主动自动机学习；适应性学习；状态匹配；参考模型；样本复杂度；摘要：本文介绍了一种自动学习的新框架，它通过状态匹配提供了对参考模型结构的灵活使用，从而减少了自动学习的样本复杂度。实证评估表明，该适应性学习框架改进了当前的状态艺术水平约两 - EduQate: 在教育场景中通过 RMABs 生成自适应课程
开发个性化和适应性教育工具的过程中，探索如何以高效方式跨多样但相关内容实现知识掌握成为关键。本论文引入了名为 EdNetRMABs 的 Education Network Restless Multi-armed Bandits，利用网络表 - 在线平台中自适应学习选择 - 排序
优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内，通过上界调整预测的用户满意度分数，并选择最大化这些调整分数的排序操作，以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。
- 基于层次任务网络的智能辅导框架：HTN-Based Tutors
使用基于 HTN 的智能教师框架，我们可以提供个性化、适应性的学习体验，并解决现有框架中知识粒度和所提供指导的挑战。
- 边缘设备的分布式威胁情报：基于大型语言模型的方法
通过将轻量级机器学习模型部署到边缘设备上，实时分析本地数据流，如网络流量和系统日志，分发计算任务到边缘服务器提高响应性，提供更好的威胁检测和缓解措施，提高网络边缘的安全性。
- 教育中的大型语言模型：概述与展望
大语言模型 (LLMs) 在教育领域带来了新的可能性。本综述论文从多个角度总结了 LLMs 在教育环境中的各种技术，包括学生和教师辅助、自适应学习和商业工具。我们系统地审查了每个角度的技术进展，整理了相关的数据集和基准，并识别了在教育中部署 - 基于解释性人工智能的自适应学习与 SHAP 聚类在能耗预测方面的应用
通过整合可解释的人工智能技术与自适应学习，本论文提出了一种方法来增强能源消耗预测模型，重点处理数据分布变化。利用 SHAP 聚类方法，我们的方法能够为模型的预测结果提供可解释的解释，并利用这些洞察力来自适应地改进模型，平衡模型复杂度和预测性 - 将生成式人工智能引入教育中的自适应学习
通过讨论生成式人工智能和适应性学习概念的交叉研究，本文旨在阐明这两种方法的益处、挑战和潜力，并认为这种结合将为教育领域的下一阶段学习方式的发展做出显著贡献。
- 自动机器学习在持续学习中的应用
这篇论文概述了 AutoML 在增量学习方面的潜力，强调了 AutoML 在增量学习中改进深度表示和自适应学习以适应更多真实世界任务的关键领域。
- 高等教育中基于人工智能的智能助手实现个性化和自适应学习
该论文提出了一种新颖的框架，即人工智能增强型智能助手（AIIA），用于个性化和自适应的高等教育学习。AIIA 系统利用先进的人工智能和自然语言处理技术，创建了一个互动和吸引人的学习平台，通过提供易于获得信息、促进知识评估和提供个性化学习支持 - 应用深度 Q 学习于高频交易中的统计套利增强策略之全面探索
该研究论文探讨了将强化学习应用于统计套利策略中的高频交易场景，通过利用强化学习的自适应学习能力，发现其可以揭示传统方法可能忽略的模式并设计交易策略，同时解决在金融市场中这一非稳态环境中应用强化学习所面临的挑战，并研究缓解相关风险的方法。通过 - 适应性学习的快速神经网络集成的认识建模不确定性
在航空航天工程系统的高效设计探索中，使用嵌入仿真器的神经网络，并充分利用多样化数据源对多个模型实现进行训练，以评估由于训练样本不足而引起的认知建模不确定性，并在目标导向的自适应学习中提供关键信息。然而，由于集成模型的训练成本往往变得禁止并带 - 用于图神经网络的自动多项式滤波器学习
本文提出了一种新的自动多项式图滤波器学习框架 ——Auto-Polynomial，能够更高效地学习适应各种复杂图信号的滤波器，从而解决了多项式图滤波器学习中的过拟合问题，并在多个学习设置下，考虑各种标记比率，显著提高了同构和异构图的性能。
- 通过自适应评分学习提高交互式强化学习的反馈效率
本文提出了一种新的方法，使用由人提供的分数代替成对偏好，在交互式强化学习中提高反馈效率，该方法在机器人运动和操作任务中得到广泛评估，结果表明，该方法可以通过自适应学习从分数中高效学习接近最优策略，而无需像成对偏好学习方法那样需要更少的反馈。
- ACL通过促进任务专业化来提高多任务检索
通过选择更好的预训练模型和兼容的提示以及新颖的自适应学习方法，我们可以训练一个多任务检索器，从而促进任务专业化，并在 KILT 基准测试中表现出高性能。
- 自适应学习环境中针对德语拼写的面向学生的干预措施！—— 展示数字！
通过在线实验比较，研究发现，基于机器学习的个性化学习干预可以降低学习者的错误率，但可能会导致更多的退出学习，并未显著提高用户的能力水平。
- ACL在线语言学习的自适应个性化锻炼生成
本文介绍了一项新的任务，旨在为在线语言学习提供个性化的练习生成，我们结合知识追踪模型和受控文本生成模型，训练并在 Duolingo 的真实学习者交互数据上评估我们的模型，并展示了学生个性化生成的优越性能以及模型在教育应用中的潜在用途。
- 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。
- DistHD：一种面向超维度分类的学习者感知动态编码方法
本研究提出了一种新的动态编码技术 DistHD，可有效发现和重构误导分类和影响学习质量的维度，从而加速学习过程，并以较低的维度达到所需的准确性。
- 自构建神经网络
为了在任务执行期间自动构建神经网络结构提出了一种自构建神经网络（SBNN）。 该模型采用 Hebbian 学习和修剪相结合的方法，以拟合神经元的突触形成过程。 在与传统神经网络的比较中，结果表明其表现通常优于传统神经网络，并且在验证测试中