练习嵌入和学习遗忘特征增强的知识追踪模型

现有知识追踪模型大多以概念为中心评估学生的未来表现,忽略了包含相同概念的练习之间的差异,从而影响模型的预测准确性。此外,在构建学生知识状态过程中,现有模型未能充分利用学生在答题过程中的学习遗忘特征,导致对学生知识状态的刻画不够精确。针对以上问题,提出了一种练习嵌入和学习遗忘特征增强的知识追踪模型(exercise embeddings and learning-forgetting features boosted knowledge tracing, ELFBKT)。该模型利用练习概念二部图中的显性关系,深入计算二部图中的隐性关系,构建了一个练习概念异构关系图。为充分利用异构图中的丰富关系信息,ELFBKT模型引入了关系图卷积网络。通过该网络的处理,模型能够增强练习嵌入的质量,并以练习为中心更准确地预测学生的未来表现。此外,ELFBKT充分利用多种学习遗忘特征,构建了两个门控机制,分别针对学生的学习行为和遗忘行为进行建模,更精确地刻画学生的知识状态。在两个真实世界数据集上进行实验,结果表明ELFBKT在知识追踪任务上的性能优于其他模型。

基于学习遗忘作用的人员调度实验设计及其软件开发

建立了学习遗忘作用与人员工效的关系模型。采用遗传算法进行调度求解,并在Matlab环境下完成了考虑学习遗忘作用的人员调度的软件开发,设计了相关实验,通过实验内容可以实现多任务人员的调度,并表明调度过程中的学习遗忘现象。通过对参数和约束条件的设置,模拟了不同生产类型,并产生人员在不同生产模式下的调度策略。

基于萤火虫算法的学习遗忘效应BFSP问题研究

对于以最小化最大完工时间为目标的阻塞流水车间调度问题(BFSP),现有研究较少同时考虑学习效应及遗忘效应对生产调度的影响,为此构建了BFSP问题的学习遗忘调度模型,结合基于Pairwise的局部搜索策略,应用萤火虫算法对小批量生产时的学习遗忘效应BFSP问题进行求解.对Car类问题及其学习遗忘调度模型的大量仿真测试,表明了改进萤火虫算法求解该类问题的可行性和有效性.同时,证明了学习效应能够降低最大完工时间,从而提高生产效率;而遗忘效应会使得学习效果减弱,从而导致最大完工时间的增加,学习效应和遗忘效应在生产调度中的影响是客观存在且不可忽略的.

学习遗忘效应在工程项目进度计划中的应用

在学习曲线理论和遗忘曲线理论的基础上,结合学习遗忘效应的模型,通过网络计划技术中的双代号网络图,引用案例来阐述员工的学习及遗忘行为对工期及关键路径造成的影响。与不考虑学习遗忘行为的情况相比,考虑员工的学习遗忘效应会使工期缩短、关键路径发生改变,且不同的学习比例会带来不同的效果。

波动制造环境下考虑学习遗忘效应的人员柔性仿真

人员柔性可以为生产系统的人员安排、人机配合带来可配置的灵活性,是生产系统应对波动制造环境的有效途径。为了分析波动环境下人员柔性对于生产系统的影响,提出了考虑学习遗忘效应的人员柔性仿真研究。首先,采用离散事件和智能体混合建模的方法构建了生产系统的仿真模型,给出了模型框架、生产者智能体的行为逻辑和学习—遗忘模型。其次,定义了仿真模型的输入参数,提出了生产周期、系统柔性和团队学习水平等评价指标,设计了仿真对比实验方案。最后,选取某典型离散生产系统进行了人员柔性的仿真研究。仿真结果表明:提高人员柔性将导致团队学习水平的降低以及学习水平稳定性的提升;柔性较低的生产团队在中低水平的波动环境下生产周期更短,而高柔性的生产团队在剧烈的环境波动下生产周期更短;在系统柔性指标上,高柔性生产团队的表现显著优于中低柔性生产团队。

学习遗忘率及学科间成绩相关性调查分析

遗忘率调查分析是教学质量评估的一种方法。一方面可评判教学效果,分析教学中存在的问题,对提高教学质量有重要意义。另一方面可使学生测知自己对所学知识长期掌握的程度,促使学生在学习新学科时重温已学课程,应用已学知识。学科间学习成绩相关性分析,可从中找出相关学科间的内在联系,为决定讲授内容重点提供实际的依据。为此,我们进行生理学、生物化学两门课程的遗忘率调查分析,并将病理生理学期终考试成绩与上述成绩进行相关分析。

融合模糊聚类和自适应去噪的推荐遗忘学习算法

隐私保护在推荐系统中具有至关重要的地位,因为它有助于保护用户的敏感信息免受泄露风险。近年来,推荐遗忘学习作为一种有效的隐私保护手段引起了越来越多的关注。现有方法为了提高模型的训练效率,通常将数据划分为子分区进行训练。然而,简单划分子分区会破坏用户-项目间的完整性,降低数据的可用性。此外,子分区中隐式反馈的假阳性噪声会干扰模型的训练,使其无法准确地捕捉用户的真实偏好。为解决上述问题,提出了融合模糊聚类和自适应去噪的推荐遗忘学习算法(FDRU)。该算法使用模糊聚类来划分数据集,通过计算交互样本到各个聚类中心的余弦距离来确定隶属度,进而将训练集划分为若干个子分区。FDRU设计了一种自适应去噪方法,其能够根据阈值动态地剔除子分区中的假阳性噪声。通过动态权重聚合子模型进行预测和Top-N推荐。为了验证提出算法的性能,在三个公开数据集上进行实验验证,实验结果表明,提出的算法在召回率和归一化折损累计增益上优于其他基准算法。

遗忘学习前置的反后门学习方法研究

反后门学习方法(anti-backdoor learning,ABL)在利用中毒数据集进行模型训练过程中能实时检测并抑制后门生成,最终得到良性模型。但反后门学习方法存在后门样本和良性样本无法有效隔离、后门消除效率不高的问题。为此,提出遗忘学习前置的反后门学习方法(anti-backdoor learning method based on preposed unlearning,ABLPU),在隔离阶段对训练样本增加提纯操作,达到有效隔离良性样本的目标,在消除阶段采用后门遗忘-模型再训练的范式,并引入遗忘系数,实现后门的高效消除。在CIFAR-10数据集上针对后门攻击方法BadNets,遗忘学习前置的反后门学习方法较反后门学习方法(基线方法)良性准确率提高1.21个百分点,攻击成功率下降1.38个百分点。

基于布隆过滤器的联邦遗忘学习

联邦学习体现了集中数据收集和最小化的原则,可以有效解决传统集中式机器学习存在的数据孤岛以及系统性的隐私风险问题,但数据使用中仍存在隐私泄露风险。为此,提出一种基于布隆过滤器的联邦遗忘学习方案,通过布隆过滤器实现联邦遗忘学习的成员资格验证、用户隐私保护和数据传输完整性的验证,通过组合哈希函数将数据映射到布隆过滤器中,即使布隆过滤器被泄露,攻击者也只能获取到位数组,隐私信息仍然得到有效保护;同时,使用布隆过滤器能够快速验证数据完整性,确保传输和存储的数据未被篡改,从而提高系统的安全性。安全性分析结果表明,所提方案能够抵抗内部敌手、外部敌手和内外合谋对布隆过滤器存储数据的攻击。性能评估结果表明,在成员资格验证方面,相比于使用哈希表,布隆过滤器在插入速度上提升了约14.6%,在查找速度上提升了约5.3%。

遗忘学习综述

为了有效保护数据隐私并实现“被遗忘的权力”,需要从机器学习模型中消除特定训练数据子集的影响,并确保这些数据不会被反向推测。为了解决这一问题,近年来形成了“遗忘学习”的研究领域。从定义、度量方法和算法三个方面全面介绍遗忘学习的研究进展。梳理了遗忘学习的核心概念定义和评价指标,并着重分析了可认证性指标的重要意义。按照算法设计原理将遗忘算法划分为结构化初训练、影响函数近似估计、梯度更新、噪声遗忘、知识蒸馏遗忘和边界遗忘六大类,并详细介绍了其中九种代表性的遗忘学习算法及其演变。在总结比较已有算法优劣基础上,讨论了遗忘学习统一框架的意义,并分析了遗忘学习研究与隐私保护的理论和实践关系。展望了遗忘学习未来的研究方向,包括:机器学习的公平性、迁移学习和强化学习等子领域尚需拓展遗忘学习算法;未来遗忘算法有可能综合多种设计思路;遗忘实践需要技术与法规的协同合作;遗忘学习与增量学习的统一将有助于提高机器学习模型的管理和运营效率。

基于半忘期的双相学习—遗忘生产—库存优化

基于放射性元素的衰减规律提出了基于半忘期的学习—遗忘曲线。根据员工作业行为具有的认知学习和技能学习特征,构建了基于半忘期的双相学习—遗忘曲线。将构建的基于半忘期的学习—遗忘曲线和基于半忘期的双相学习—遗忘曲线应用到生产—库存模型中。研究表面遗忘的存在使得生产更早趋于稳定,平均成本也更高。在基于半忘期的双相学习—遗忘理论下,由于认知与技能存在学习—遗忘—学习—遗忘的重复,生产—库存系统的平均成本在生产的后期出现了减少—增加—减少—增加的摇摆特征。认知遗忘与技能遗忘对系统平均成本的影响不同,相比于技能遗忘,认知遗忘给系统平均成本的影响更大。

考虑员工学习与遗忘的最短生产周期分配策略仿真

生产系统中人的差异性比较大,员工具有不同的经验知识背景和不同的学习遗忘特性,这些差异影响生产系统。考虑员工学习-遗忘的特性,提出最短生产周期模型,对员工分配进行仿真研究。此模型以一定的生产任务下所使用的生产周期最短为目标,人员分配方面采用固定分配。固定的人员分配策略使员工成为专才。本研究在假设具体生产环境中,针对具体的目标对异质的员工进行了仿真研究,对实际生产中员工分配具有一定的指导作用。

考虑学习-遗忘效应的服装缝制车间生产调度模型

面对订单批量小、需求个性化等不确定性高的市场需求环境,结合服装缝制生产中工序多、劳动密集、工人异质性等特点,构建考虑员工学习—遗忘效应的服装缝制车间混合流水分批调度模型。模型以最小化最大完成时间和最小化工位空闲均方差为目标函数,设计非支配遗传算法对模型求解,实现“工人—工序—工位”细粒度调度优化。用仿真实验选出合适的批量大小作为实验参数,并以标准加工时间为不考虑学习—遗忘效应的加工时间进行对比分析,结果表明考虑学习—遗忘效应比不考虑学习—遗忘效应更能适应工人的异质性和不稳定性,在目标函数值上表现更优,验证了模型算法的有效性。

考虑员工学习-遗忘效应行为的动态生产-库存优化

研究员工学习-遗忘效应行为下的动态生产-库存优化问题。引入学习-遗忘理论,构建生产率具有学习-遗忘特征的集成生产-库存系统平均成本函数,证明在一定条件下平均成本函数是关于单次供货量或供货次数的凸函数。数值分析结果表明,完全遗忘时间越长,最优的平均成本越低;当完全遗忘时间较小时,在生产的后期,供应商处于学习与遗忘的摇摆状态,学习效应对降低成本发挥作用有限。研究结论可为管理者何时决定生产中断及中断的时间长度提供决策依据。

具有学习-遗忘效应的TFT-LCD CELL阶段调度问题研究

薄膜晶体管液晶显示器(TFT-LCD)相较阴极射线显像管(CRT)而言,具有亮度高、功耗低、解析度高、视角宽、成本低等优势。其中CELL阶段是TFT-LCD一个承上启下的重要制程,归类为混合流水装配作业调度问题。研究TFT-LCD CELL阶段调度,创立以最小化工件最大完工时间为目标的模型,并将学习和遗忘效应成分加入进去,在各约束条件充分考虑的基础上,采用新型的布谷鸟智能优化算法对该模型进行求解分析,用IMM编码方式保证获得调度解的全局性以及可行性,通过对算法进行模拟仿真实验,并采用萤火虫算法与之对比,验证了布谷鸟搜索算法在求解CELL调度问题上的有效性和可行性。根据实验结果,分析探讨CELL阶段调度学习-遗忘效应对其的影响,并据此提出相应的有效性建议。

视觉语言模型引导的文本知识嵌入的小样本增量学习

真实场景往往面临数据稀缺和数据动态变化的问题,小样本增量学习的目的是利用少量数据推理数据知识并减缓模型对于旧知识的灾难性遗忘.已有的小样本增量学习的算法(CEC和FACT等)主要是利用视觉特征来调整特征编码器或者分类器,实现模型对于新数据的迁移和旧数据的抗遗忘.但是少量数据的视觉特征往往难以建模一个类别的完整特征分布,导致上述算法的泛化能力较弱.相比于视觉特征,图像类别描述的文本特征具有较好的泛化性和抗遗忘性.因此,在视觉语言模型的基础上,研究基于文本知识嵌入的小样本增量学习,通过在视觉特征中嵌入具有抗遗忘能力的文本特征,实现小样本增量学习中新旧类别数据的有效学习.具体而言,在基础学习阶段,利用视觉语言模型抽取图像的预训练视觉特征和类别的文本描述,并通过文本编码器实现预训练视觉特征到文本空间的映射.进一步利用视觉编码器融合学习到的文本特征和预训练视觉特征抽象具有高辨别能力的视觉特征.在增量学习阶段,提出类别空间引导的抗遗忘学习,利用旧数据的类别空间编码和新数据特征微调视觉编码器和文本编码器,实现新数据知识学习的同时复习旧知识.在4个数据集(CIFAR-100,CUB-200,Car-196和mini Image Net)上验证算法的有效性,证明基于视觉语言模型文本知识嵌入可以在视觉特征的基础上进一步提升小样本增量学习的鲁棒性.

技能学习理论模型及其在经济管理中的应用

基于RIGHT给出的学习曲线形式和CARLSON等给出操作技能学习的遗忘曲线形式,开展技能学习机理及其联合的理论模型的研究,根据RIGHT给出的学习曲线确定生产批次y(x)与时间t的函数模型,从而建立RIGHT给出的学习曲线形式和CARLSON等给出操作技能学习的遗忘曲线的联立模型,以此描述单位产品生产耗时、成本或不合格率在学习与遗忘交替情况下的变化规律,并运用于施工效率损失与索赔问题、生产计划与调度问题的分析计算。

基于增量学习的变压器局部放电模式识别

针对变压器局部放电类型多样,局放数据以数据流的形式存在,不可能一次性获得完整的样本集的问题,本文采用基于增量学习的方法对变压器的局部放电模式识别进行了研究。首先,对局放信号进行时频分析,得到局放信号的边际谱图像作为网络模型的输入;其次,构造数据集,并模拟实际情况,将不同的局放类型划分为不同的任务;最后,利用GradCAM++生成注意力图并构造注意力损失,对非遗忘学习算法进行改进,从而实现网络模型故障模式库的自动更新。实验结果证明,本文所提的方法更加接近实际情况,不同于以往分类器的静态模型,其可以在不改变模型主体结构的前提下,尽可能地保留以前任务的知识,并逐渐扩展网络模型的知识;相比于其他增量学习算法,本文的方法进一步缓解了灾难性遗忘的问题,一定程度做到了局部放电模式识别的智能化。

运用记忆和遗忘规律指导学生英语复习

在母语非英语的学习环境里,英语学习与记忆有着非常密切的关系,所有的英语学习都包含着记忆——从语音、语法到词汇,从听说到读写。没有记忆,就没有英语学习;没有记忆,就不能丰富英语知识和把知识转化为技能。学习者在学习中,不断记忆,但也不断地遗忘。遗忘,是英语学习者普遍遇到的难题。复习是防止与克服遗忘、增强记忆的有效方法。如能运用科学的方法指导英语复习,则会得到事半功倍的效果。本文介绍记忆和遗忘规律,结合实践,说明了英语教师运用记忆和遗忘规律指导学生英语复习,对增强学生记忆知识的能力,提高英语学习质量和教学质量,无疑是有益的。

基于多行为特征嵌入记忆网络的知识追踪模型

【目的】为了充分利用交互记录中的学习和遗忘特征,提出了一种基于多行为特征嵌入记忆网络的知识追踪模型(MFKT).该模型考虑了学习过程中的学习和遗忘两种行为。【方法】首先,从交互记录中提取学习和遗忘两大特征,然后将提取到的学习特征通过标量交叉方式嵌入记忆网络,同时将遗忘特征通过向量组合的方式嵌入,用于增强其对于学生答题序列的学习能力。此外,还考虑到了不同学生回答完成后的知识增长差异,在原先记忆网络的基础上增加了一个知识增长层,用于计算学生答题得到的知识增长。【结果】通过在公开数据集上的实验表明,MFKT更加符合学生的真实学习规律,能够实现对学生知识状态更加精准的追踪。