主动图学习遇上低秩特征融合：跨学科数学课程匹配

《IEEE Access》：Active Graph Learning Meets Low-rank Feature Fusion: Cross-discipline Mathematics Course Matching

　　

摘要：

高维跨学科数学映射中的结构对齐形式化，长期以来受到单模态启发式假设的制约，无法对活跃主状态图神经网络表征与低秩约束流形前提之间的本质拓扑一致性进行建模。我们假设，卓越的匹配保真度源于一种"图-低秩共生"机制：在此机制中，潜在认知轨迹与非平稳课程拓扑在结构上受其支配，二者统计上相互独立。为计算这一共生关系，我们提出 AGL-LowRank——一种旨在通过这种双重视角优化结构课程对齐的"活跃图学习与低秩特征融合"架构。我们的系统采用双路径潜在编码器：活跃图流从概念嵌入与掌握流形中蒸馏出多尺度掌握基元，而低秩流则将教学领域刻画为谱交互图，以解析全局依赖关系与潜在结构缺口。我们部署了一个"对偶感知低秩融合"模块来仲裁异步信息梯度，使网络能够将基于图的掌握签名与跨学科目标函数同步。此外，我们实现了一个"时序低秩门控"，用以识别认知掌握与结构前提相交的奇异时刻，从而优化对齐稳定性。跨学科语料库上的实验验证表明，AGL-LowRank 确立了一项新的最先进基准，推动该领域从频率主义建模转向诊断性学术智能。通过工程化地综合活跃图与低秩流形，AGL-LowRank 为跨学科学习路径优化提供了严谨的框架。