论文链接:

https://dl.acm.org/doi/abs/10.1145/3474085.3475554

代码链接：

https://github.com/xiaopengguo/ATKT

Knowledge Tracing(KT，知识追踪)：使用学生的历史学习数据来模拟他们在一段时间内的知识掌握情况，从而预测他们未来的表现。

现有的KT方法在小数据集上呈现过拟合的状态。为了解决上述问题，作者受对抗训练（Adversarial Training）的启发，将KT与AT结合，通过AT来增加KT模型的鲁棒性和泛化性。

贡献：

  • 本文强调了当前基于深度神经网络的KT模型面临的过拟合风险，并揭示了它们相对有限的泛化能力，尤其是在小数据集上。
  • 作者提出了ATKT，通过联合训练原始输入和相应的对抗样本来增强KT模型的泛化能力。为了更好地实现 AT，作者引入了一个高效的attentive-LSTM模型作为KT的主干。

内容中包含的图片若涉及版权问题，请及时与我们联系删除