新题不断、旧诊断零漂移！CLEAN架构隔离让认知诊断实现零遗忘
CLEAN: Psychometrically Consistent Incremental Cognitive Diagnosis under Concept-Space Expansion via Architectural Isolation
📖 AI 总结
本文提出CLEAN框架，用于解决认知诊断中概念空间动态扩展带来的增量学习难题。现有增量认知诊断模型假设概念空间固定，新题目产生的梯度会覆盖历史诊断路径，导致灾难性遗忘；同时其仅依赖软约束，难以保证增量更新后历史诊断结果不变，即心理测量一致性要求。CLEAN通过严格拓扑二分协议冻结历史诊断函数，并施加确定性正交列掩码切断梯度干扰；同时引入可扩展满秩分支与微方差初始化来学习新概念。作者形式化定义表示漂移（RD）以量化历史特质扰动。在三个大规模教育数据集上的实验表明，CLEAN实现零表示漂移，历史题目指标与静态锚点完全一致，新题目表现亦不逊于或优于强持续学习基线。该工作为增量认知诊断提供了结构性保证，而非仅依赖软约束。
🔑 关键词速览
| 认知诊断（Cognitive Diagnosis, CD） | 智能教育中的基础任务，用于评估学习者对各个知识概念的掌握水平。 |
| 心理测量一致性（Psychometric Consistency） | 认知诊断中的一项要求，指增量更新后历史诊断结果应保持不变的性质。 |
| 灾难性遗忘（Catastrophic Forgetting） | 模型在学习新任务时覆盖旧知识，导致在旧任务上性能显著下降的现象。 |
| 表示漂移（Representation Drift, RD） | 用于量化增量更新后历史特征表示发生扰动的程度指标。 |
| 架构隔离（Architectural Isolation） | 通过冻结历史网络分支并隔离新分支的梯度，从结构上保证历史诊断不变的方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅