FedCD：基于参数解耦的公平性联邦认知诊断框架

在线智能教育平台产生了大量分布式的学生学习数据。这一数据 influx 为认知诊断（CD）提供了机会，以评估学生对知识概念的掌握程度，同时也带来了显著的数据隐私和安全挑战。为应对这些问题，联邦学习（FL）成为一个有前景的解决方案，通过在多个本地客户之间进行模型训练而无需共享其原始数据。然而，由学生之间能力差异和不同学校/小组之间的教育情境差异导致的数据质量问题，进一步构成了模型公平性的挑战。为解决这一问题，本文提出一种公平性感知的联邦认知诊断框架（FedCD），以基于参数解耦的个性化策略进行联合训练，既保留数据隐私，又在每个客户上实现学生的精确和公平诊断。作为一种 FL 范式，FedCD 基于每个客户的本地学生学习数据为其训练本地 CD 模型，每个客户根据所设计的创新性个性化策略将其部分模型参数上传到中心服务器进行聚合。该策略的主要思想是将模型参数解耦为两个部分：第一个用于本地个性化参数，包含与诊断功能相关的模型参数，以公平诊断每个客户的学生；第二个是跨客户和服务器共享的全局参数，包含练习嵌入参数，通过公平感知聚合进行更新，以缓解学校间的不公平。在三个真实世界数据集上的实验表明，与五种 FL 方法和三种 CD 模型相比，所提出的 FedCD 框架和个性化策略有效。