学习日记0327

A cross-domain knowledge tracing model based on graph

optimal transport

我们使用gnn来学习这些节点的特征。在此基础上，我们使用显式分布距离度量对齐来自两个不同域的特征向量，旨在最小化域差异，实现最大的跨域知识转移。

AEGOT-CDKT

基于以上考虑，本文提出了一种基于跨领域的知识跟踪方法，即AEGOT-CDKT。该方法首先利用图自动编码器在源域和目标域中构建知识跟踪节点属性图。它通过图形注意机制捕获并量化每个域内实体之间复杂的依赖关系和权重分配，从而生成高质量的嵌入向量表示。随后，为了促进这两个领域之间的有效的知识转移，我们设计了一个跨域对齐模块，该模块将跨域对齐问题视为一个图匹配任务。它利用图最优传输（GOT）[13]来建立t的节点和边之间的对应关系。

具体来说，GOT使用瓦瑟斯坦距离（WD）[14]来度量和匹配不同域中的节点，确保节点级的信息一致性。此外，引入格罗莫夫-瓦瑟斯坦距离（GWD）[15]解决了边缘匹配的挑战，保证了图内的跨域数据在边缘结构级别上的精确对齐。通过WD和GWD结合，GOT可以实现图中相应节点的语义信息和拓扑结构的最大匹配，最终实现更精细的跨域对齐。

Huang等人[9]提出了STAN框架来解决域之间的分布转移，huang等人提出的STAN框架通过对齐不同领域之间的难度，帮助模型在不同领域（如不同课程）间迁移时，减少分布偏移带来的性能下降。

CDKT（Cross-Domain Knowledge Tracing，跨领域知识追踪）的目标是对齐两个领域的知识状态分布，从而有效地将知识从源领域迁移到目标领域，用于知识追踪（KT࿰