MUSE：面向知识追踪的多尺度时间特征演化
人工智能
2021-02-02 v1 计算机与社会
摘要
基于 Transformer 的知识追踪模型是计算机辅助教育领域被广泛研究的问题。通过将时间特征整合进编码器—解码器结构，Transformer 能以自然方式处理练习信息与学生作答信息。然而，当前最先进的基于 Transformer 的变体仍有两个局限。第一，极长时间特征不能被很好处理，因为自注意力机制的复杂度为 O(n2)。第二，现有方法在固定窗口大小下追踪知识漂移，未考虑不同的时间范围。为克服这些问题，我们提出 MUSE，其配备多尺度时间感知单元，可同时考虑局部或全局时间特征。所提模型能够捕捉用户知识状态在不同时间范围内的动态变化，并提供结合局部与全局特征进行预测的高效且强大的方式。我们的方法在 Riiid AIEd Challenge 2020 的 3,395 支队伍中获得第 5 名。
引用
@article{arxiv.2102.00228,
title = {MUSE: Multi-Scale Temporal Features Evolution for Knowledge Tracing},
author = {Chengwei Zhang and Yangzhou Jiang and Wei Zhang and Chengyu Gu},
journal= {arXiv preprint arXiv:2102.00228},
year = {2021}
}
备注
the AAAI-2021 workshop on Imagining Post-COVID Education with AI