• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Artificial Intelligence in Education >Self-paced Graph Memory Network for Student GPA Prediction and Abnormal Student Detection
【24h】

Self-paced Graph Memory Network for Student GPA Prediction and Abnormal Student Detection

机译：学生GPA预测和异常学生检测的自定节奏图内存网络

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Student learning performance prediction (SLPP) is a crucial step in high school education. However, traditional methods fail to consider abnormal students. In this study, we organized every student's learning data as a graph to use the schema of graph memory networks (GMNs). To distinguish the students and make GMNs learn robustly, we proposed to train GMNs in an "easy-to-hard" process, leading to self-paced graph memory network (SPGMN). SPGMN chooses the low-difficult samples as a batch to tune the model parameters in each training iteration. This approach not only improves the robustness but also rearranges the student sample from normal to abnormal. The experiment results show that SPGMN achieves a higher prediction accuracy and more robustness in comparison with traditional methods. The resulted student sequence reveals the abnormal student has a different pattern in course selection to normal students.
机译：学生学习绩效预测（SLPP）是高中教育的关键步骤。 但是，传统方法未能考虑异常的学生。 在这项研究中，我们将每个学生的学习数据组织为图形以使用图形存储器网络（GMNS）的模式。 为了区分学生并使GMNS鲁棒地学习，我们建议在“易于硬”的过程中培训GMNS，导致自定位图形存储器网络（SPGMN）。 SPGMN选择低困难的样本作为批量来调整每个训练迭代中的模型参数。 这种方法不仅改善了鲁棒性，而且还改善了学生样本从正常到异常。 实验结果表明，与传统方法相比，SPGMN实现了更高的预测精度和更具鲁棒性。 由此产生的学生序列显示出异常的学生在课程选择到普通学生。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号