通过受限玻尔兹曼机学习大型$Q$-矩阵
统计方法学
2021-11-30 v3
摘要
从观测数据中对具有多项目与潜在属性的认知诊断模型（CDMs）中的大型-矩阵进行估计，因其高计算成本一直是一项巨大挑战。借鉴深度学习文献中的思想，我们提出通过受限玻尔兹曼机（RBMs）学习大型-矩阵以克服计算困难。本文中，识别了RBMs与CDMs之间的关键关系。在各种CDMs中，-矩阵的一致且鲁棒的学习在某些条件下被证明是有效的。我们在不同CDM设定下的模拟研究表明，RBMs不仅在学习速度上优于现有方法，而且保持了-矩阵的良好的恢复精度。最后，我们通过针对Cattell 16种人格测验数据集的真实数据分析说明了本方法的适用性与有效性。
引用
@article{arxiv.2006.15424,
title = {Learning Large $Q$-matrix by Restricted Boltzmann Machines},
author = {Chengcheng Li and Chenchen Ma and Gongjun Xu},
journal= {arXiv preprint arXiv:2006.15424},
year = {2021}
}