一个以问题为中心的多专家对比学习框架,用于提高深度序贯知识追踪模型的准确性和可解释性
我们提出了一个名为 Q-MCKT 的基于问题中心的多专家对比学习框架,用于知识追踪,以解决应用深度学习技术建模知识追踪过程时面临的挑战。
该文章提出了一种增强知识追踪模型性能的新技术,通过关注问题难度和概念难度级别。作者提出了面向困难层面的对比学习方法和基于大型语言模型的困难量预测框架。消融研究证明了这些技术的有效性,但语言和困难之间的关系仍需进一步研究。
BriefGPT - AI 论文速递 -
我们提出了一个名为 Q-MCKT 的基于问题中心的多专家对比学习框架,用于知识追踪,以解决应用深度学习技术建模知识追踪过程时面临的挑战。
该文章提出了一种增强知识追踪模型性能的新技术,通过关注问题难度和概念难度级别。作者提出了面向困难层面的对比学习方法和基于大型语言模型的困难量预测框架。消融研究证明了这些技术的有效性,但语言和困难之间的关系仍需进一步研究。
热榜 Top10
标签 Top100
全部ai 语言模型 神经网络 linux llm 开源 微软 .net python 数据集 google 算法 人工智能 apple 扩散模型 安全 苹果 机器学习 java android 深度学习 rust 游戏 postgresql 建模 机器人 谷歌 漏洞 ios openai mysql windows c# 大模型 spring 开发者 api gpt 函数 github chatgpt 卷积 教程 microsoft windows 11 数据库 nvidia web mongodb iphone 内存 浏览器 强化学习 security docker 插件 sql cloud 编码器 wordpress 基准测试 程序员 黑客 大语言模型 欧盟 mac 联邦学习 总结 postgres 入门 c++ 流量 无监督 解决方案 sora 一致性 generative ai 点云 网络安全 spring boot 工程师 redis 视图 pdf 硬件 swift 单片机 接口 前端 重建 多智能体 git 容器 马斯克 源码 visual studio kubernetes 内核 javascript 面试
赞助商
我也要赞助推荐或自荐