[論文レビュー] DisenGCD: A Meta Multigraph-assisted Disentangled Graph Learning Framework for Cognitive Diagnosis

Shangshang Yang, Mingyang Chen+5 more|arXiv (Cornell University)|Oct 23, 2024

Machine Learning in Healthcare被引用数 4

ひとこと要約

本稿では、認知診断のためのメタマルチグラフ支援分散グラフ学習フレームワークであるDisenGCDを提案する。このフレームワークは、相互作用、関係、依存の3つの異なるグラフ上で、学生、問題、概念の表現を分離的に処理することで、学生、問題、概念の表現を分離する。学習可能なメタマルチグラフモジュールを用いて低次の問題特徴を活用して学生表現を強化し、GATを用いて問題／概念の学習を行うことで、SOTA手法と比較して優れた性能と相互作用ノイズに対するロバストネスを達成する。

ABSTRACT

Existing graph learning-based cognitive diagnosis (CD) methods have made relatively good results, but their student, exercise, and concept representations are learned and exchanged in an implicit unified graph, which makes the interaction-agnostic exercise and concept representations be learned poorly, failing to provide high robustness against noise in students' interactions. Besides, lower-order exercise latent representations obtained in shallow layers are not well explored when learning the student representation. To tackle the issues, this paper suggests a meta multigraph-assisted disentangled graph learning framework for CD (DisenGCD), which learns three types of representations on three disentangled graphs: student-exercise-concept interaction, exercise-concept relation, and concept dependency graphs, respectively. Specifically, the latter two graphs are first disentangled from the interaction graph. Then, the student representation is learned from the interaction graph by a devised meta multigraph learning module; multiple learnable propagation paths in this module enable current student latent representation to access lower-order exercise latent representations, which can lead to more effective nad robust student representations learned; the exercise and concept representations are learned on the relation and dependency graphs by graph attention modules. Finally, a novel diagnostic function is devised to handle three disentangled representations for prediction. Experiments show better performance and robustness of DisenGCD than state-of-the-art CD methods and demonstrate the effectiveness of the disentangled learning framework and meta multigraph module. The source code is available at extcolor{red}{\url{https://github.com/BIMK/Intelligent-Education/tree/main/DisenGCD}}.

研究の動機と目的

• 学生の相互作用データにおけるノイズに対する、既存のグラフ学習ベースの認知診断モデルの低いロバストネスを解消すること。
• 統一されたグラフモデルの限界を克服し、問題と概念の相互作用に依存しない表現を保持できること。
• 浅いGNN層からの低次の問題潜在特徴を活用して、学生表現を向上させること。
• 学生、問題、概念の表現学習を別々のグラフ上で分離するフレームワークを構築すること。
• 最終的な応答予測のための3つの分離表現を統合する新しい診断関数を開発すること。

提案手法

• 3つの分離グラフを構築する：(1) 学生－問題－概念相互作用グラフ、(2) 問題－概念関係グラフ、(3) 概念依存性グラフ。
• 関係グラフと依存性グラフ上で、それぞれGraph Attention Networks (GATs) を用いて問題および概念表現を学習する。
• 相互作用グラフにメタマルチグラフ学習モジュールを実装し、学生表現のための複数の学習可能な伝搬経路を可能にする。
• メタマルチグラフモジュールを用いて、現在の学生表現が浅い層からの低次の問題表現にアクセスし、集約できるようにする。
• 3つの分離表現を、新しい診断関数を用いて統合し、最終的な応答予測を行う。
• 学生の応答予測における交差エントロピー損失を用いて、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 分離グラフ学習フレームワークは、認知診断におけるノイズの多い学生相互作用データに対するロバストネスを向上させることができるか？
• RQ2 提案されたメタマルチグラフモジュールは、低次の問題特徴にアクセスすることで、学生表現を効果的に向上させることができるか？
• RQ3 学習されたメタマルチグラフ構造は、問題－概念構造が異なるさまざまなデータセットに一般化可能か？
• RQ4 統一グラフベースのモデルと比較して、分離フレームワークは性能とロバストネスにおいて優れているか？
• RQ5 各コンポonent（分離グラフ、メタマルチグラフ、診断関数）のモデル全体のパフォーマンスへの寄与度は何か？

主な発見

• DisenGCDは3つのベンチマークデータセットにおいて、SOTA認知診断モデルを上回り、より高いAUCと正答率を達成した。
• アブレーションスタディの結果、3つの分離グラフ上で表現を学習することは、統一グラフ学習と比較して顕著にパフォーマンスを向上させることを確認した。
• 学習可能なパスを備えたメタマルチグラフモジュールは、単純な埋め込みや事前定義されたパス構造よりもモデルパフォーマンスを向上させた。
• 学習されたメタマルチグラフ構造は、類似したデータセット（例：SLPとMath）では有効であったが、類似性の低いデータセット（例：ASSISTments）ではやや劣った性能を示した。これは、データセットに特化した適応性があることを示唆している。
• DisenGCDは、データの摂動下でも性能が安定しており、高いノイズ耐性を示した。
• 可視化の結果、メタマルチグラフは異なるデータセットで異なる構造を学習しており、問題－概念関係の背後にある差異を反映していることがわかった。