突破认知诊断的鲁棒性障碍：一次性神经架构搜索视角

随着网络技术的发展，智能辅导系统（ITS）应运而生，以提供日益精确和个性化的学习服务。认知诊断（CD）已成为 ITS 中的核心研究任务，旨在通过建模学习行为数据与知识状态之间的映射，推断学习者对特定知识概念的掌握程度。然而，现有研究优先考虑模型性能提升，而忽视了观测响应数据中普遍存在的噪声污染，这严重阻碍了实际部署。此外，当前的认知诊断模型（CDM）在结构设计上严重依赖研究者的领域专业知识，无法穷尽地探索架构可能性，从而未能充分发挥模型架构的全部潜力。为解决此问题，我们提出 OSCD，一种用于认知诊断的进化多目标一次性神经架构搜索方法，旨在高效且鲁棒地提升模型评估学习者熟练度的能力。具体来说，OSCD 通过两个不同阶段运行：训练和搜索。在训练阶段，我们构建了一个包含多种架构组合的搜索空间，并训练了一个以完全二叉树拓扑表示的权重共享超网络，从而能够超越手动设计先验，全面探索潜在架构。在搜索阶段，我们将异构噪声场景下的最优架构搜索表述为一个多目标优化问题（MOP），并开发了一个优化框架，该框架集成了帕累托最优解搜索策略与跨场景性能评估以进行求解。在真实教育数据集上的大量实验验证了我们的 OSCD 模型为 CD 任务发现的最优架构的有效性和鲁棒性。