神经知识追踪的一致性与单调性正则化
机器学习
2021-05-04 v1 人工智能
摘要
知识追踪(KT)用于追踪人类的知识习得,是在线学习与教育人工智能的核心组成部分。本文提出一种简单而有效的策略来提升 KT 模型的泛化能力:我们提出三类新颖的数据增强,即替换、插入与删除,并配套相应的正则化损失,对模型在原始序列与增强序列上的预测施加特定的一致性或单调性偏置。在多个 KT 基准上的大量实验表明,我们的正则化方案在 3 种广泛使用的神经网络与 4 个公开基准下持续提升了模型性能,例如,在 DKT 模型与 ASSISTmentsChall 数据集下其 AUC 提升了 6.3%。
引用
@article{arxiv.2105.00607,
title = {Consistency and Monotonicity Regularization for Neural Knowledge Tracing},
author = {Seewoo Lee and Youngduck Choi and Juneyoung Park and Byungsoo Kim and Jinwoo Shin},
journal= {arXiv preprint arXiv:2105.00607},
year = {2021}
}
备注
11 pages including reference (1 page) and appendix (4 pages)