EVOL: シミュレータ誘導進化型エキスパート合成による展開不要な学習パス推薦

- 学習パス推薦（LPR）のための強化学習（RL）手法「EVOL」を提案。 - シミュレータを用いて進化的探索により専門家の学習パスを合成し、展開不要のポリシーを訓練する。 - 非対称アクター・クリティックを採用し、アクターは展開現実的な盲計画を行い、クリティックは訓練時にシミュレータの特権状態を利用する。 - 3つのデータセット（ASSIST15, Junyi, EdNet）で評価し、8つのベースラインを上回る。

- 従来のRLベースLPRは、中間フィードバックなしでL個の概念系列を決定する必要があり、組み合わせ爆発と最終ステップのみの報酬という問題があった。 - 専門家の学習パスは教育データに存在しない（学生ログは実際の行動を記録するが、理想的な行動は記録しない）。 - EVOLはロボティクスのシミュレータベースのデモンストレーション学習からレシピを輸入し、知識追跡シミュレータを活用して専門家デモを合成し、展開不要のポリシーを訓練する。 - これにより、スパース報酬RLの課題を克服し、既存手法を上回る性能を達成。

- 知識追跡シミュレータを2つの目的で使用：進化的探索による学習者ごとの専門家デモの合成と、それらのデモをフィードフォワード学習者に蒸留する展開不要ポリシーの訓練。 - 非対称アクター・クリティック：アクターは展開現実的な盲計画（中間フィードバックなし）を行い、クリティックは訓練時にシミュレータの特権状態を利用。 - 模倣戦略としてBC, AWR, DAPGを比較し、最終性能は模倣目的よりも進化的専門家の品質に依存することを示す。

- 3つのデータセット（ASSIST15, Junyi, EdNet；概念数39-189）とパス長L=5,10,20で評価。 - ヒューリスティック、逐次、RL、グラフ強化RL、LLM強化手法を含む8つのベースラインを上回る。 - 3つの模倣戦略（BC, AWR, DAPG）を比較し、最終性能が進化的専門家の品質に支配されることを示す。

- 最終性能は模倣目的（BC, AWR, DAPG）よりも進化的専門家の品質によって決まることが示唆された。 - その他の議論や限界については要旨からは不明。

- 要旨で参照/比較されている研究：BC, AWR, DAPG、および8つのベースライン（ヒューリスティック、逐次、RL、グラフ強化RL、LLM強化手法）。 - 関連手法：知識追跡シミュレータ、進化的探索、非対称アクター・クリティック。 - 同分野の定番：学習パス推薦（LPR）のための強化学習手法。