通过高效 Kolmogorov-Arnold 网络为神经认知诊断模型赋予可解释性
机器学习
2024-05-24 v1 计算机与社会
摘要
在智能教育领域，认知诊断在归因于学生在知识概念方面所揭示的熟练程度后，扮演着关键角色。尽管基于神经网络的神经认知诊断模型(CDMs)已显示出显著优于传统模型的性能，但神经认知诊断因采用多层感知器(MLP)而受到诋毁，即使在单调性假设下也如此。因此，本文提出通过高效 Kolmogorov-Arnold 网络(KANs)来赋予神经认知诊断模型可解释性，称为 KAN2CD，其中 KANs 以两种方式来增强可解释性。具体而言，在第一种方式中，直接使用 KANs 替换现有神经 CDMs 中使用的 MLP；而在第二种方式中，学生嵌入、练习嵌入和概念嵌入直接由多个 KANs 处理，然后将其输出进一步组合并在统一的 KAN 中学习以获得最终预测。为克服 KANs 训练缓慢的问题，我们修改了原始 KANs 的实现以加速训练。在四个真实世界数据集上的实验表明，提出的 KA2NCD 在传统 CDMs 方面表现更好，而提出的 KA2NCD 仍在现有的神经 CDMs 之上保持一点性能优势。更重要的是，KANs 所学习的结构使提出的 KA2NCD 能够保持与传统 CDMs 相当的可解释性，这优于现有的神经 CDMs。此外，提出的 KA2NCD 的训练成本与现有模型相当。
引用
@article{arxiv.2405.14399,
title = {Endowing Interpretability for Neural Cognitive Diagnosis by Efficient Kolmogorov-Arnold Networks},
author = {Shangshang Yang and Linrui Qin and Xiaoshan Yu},
journal= {arXiv preprint arXiv:2405.14399},
year = {2024}
}
备注
Leverage Kolmogorov-Arnold Networks (KANs) for cognitive diagnosis, enhancing the model interpretability. The diagnosis performance is also improved