【技术实现步骤摘要】
一种基于因果效应的学习认知分析模型鲁棒性优化方法
[0001]本专利技术涉及计算机
,尤其是一种基于因果效应的学习认知分析模型鲁棒性优化方法。
技术介绍
[0002]混合学习多模态过程数据蕴含了丰富的学习认知刻画信息,但其因素众多,且随时空持续变化,现有主流知识追踪与认知诊断方法大多数是基于独立同分布假设,无法适应数据分布多变的混合学习场景。
[0003]目前混合学习认知建模分析在复杂场景下鲁棒性存在不足,复杂教育场景下模型分析效果低下。
技术实现思路
[0004]有鉴于此,本专利技术实施例提供一种基于因果效应的学习认知分析模型鲁棒性优化方法,提高模型的鲁棒性,并且提高模型分析效率。
[0005]本专利技术实施例的一方面提供了一种基于因果效应的学习认知分析模型鲁棒性优化方法,包括:
[0006]构建混合学习过程的认知分析多类型模型;
[0007]构建学习者认知动态因果网络与因果效应框架;
[0008]根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应 ...
【技术保护点】
【技术特征摘要】
1.一种基于因果效应的学习认知分析模型鲁棒性优化方法,其特征在于,包括:构建混合学习过程的认知分析多类型模型;构建学习者认知动态因果网络与因果效应框架;根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架,进行鲁棒性优化;其中,所述鲁棒性优化包括混合学习过程认知分析时域感知鲁棒性优化、混合学习多模态认知分析模型结构鲁棒性优化以及复杂场景下认知数据分布偏移目标域鲁棒性优化。2.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法,其特征在于,所述构建混合学习过程的认知分析多类型模型,包括:对采集的多模态学习过程数据进行模态特征抽取;其中,所述模态特征包括视频特征、音频特征和文本特征;采用多类型主干网络和时序网络,对抽取到的多模态特征进行联合学习,获取学习认知特征的全局表示;针对不同学习认知计算下游任务,构建不同的认知分类器或者回归器。3.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法,其特征在于,所述构建学习者认知动态因果网络与因果效应框架,包括:通过学习认知影响变量检测和因果有向图构建,进行学习者认知因果图构建;利用领域常用因果效应计算方法,采用多路效应计算的方式,进行效应平均或最值化方法,获取因果效应计算结果。4.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法,其特征在于,当所述鲁棒性优化为混合学习过程认知分析时域感知鲁棒性优化时,所述根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架,进行鲁棒性优化,包括:基于直接总因果效应框架与学习者认知动态因果网络模型,提出数据感知不确定性因素的合理因果假设,构建学习认知数据感知进行反事实推断分析;针对可能存在混合学习过程数据部分缺失问题,构建基于因果总效应导向性随机门控网络机制,进行潜在数据感知缺失场景干预数据生成,增强学习认知分析模型优化空间搜索;针对复杂情境下数据感知不规则采样粒度问题,基于时序微分神经网络模型,构造连续时域下任意数据感知采样粒度方法;通过随机门控机制与不规则连续时域感知方法结合使用,实现混合学习过程认知分析时域感知优化。5.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法,其特征在于,当所述鲁棒性优化为混合学习多模态认知分析模型结构鲁棒性优化时,所述根据所述认知分析...
【专利技术属性】
技术研发人员:黄昌勤,吴雪梅,黄琼浩,涂雅欣,王译,
申请(专利权)人:浙江师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。