具有多层隐私保护的联邦学习成果预测
机器学习
2023-12-27 v1 密码学与安全
分布式、并行与集群计算
摘要
学习成果预测（LOP）是教育路径中一个长期存在且关键的问题。许多研究致力于开发有效的模型，但由于隐私保护问题，往往受限于数据短缺和对不同机构的泛化能力低。为此，本研究提出了一种分布式成绩预测模型，名为 FecMap，该模型利用联邦学习（FL）框架，在保留本地客户端私有数据的同时，通过全局泛化模型与其他客户端进行通信。FecMap 考虑了本地子空间学习（LSL），显式地学习与全局特征相对的本地特征；以及多层隐私保护（MPP），分层保护私有特征（包括可共享模型特征和不可共享特征），以实现每个机构在 LOP 任务上高性能的客户端特定分类器。随后，FecMap 以迭代方式实现，所有数据集分布在客户端上，通过在客户端训练由全局部分、本地部分和分类头组成的本地神经网络，并在服务器上平均来自客户端的全局部分。为了评估 FecMap 模型，我们收集了三个来自工程专业学生学术记录的高等教育数据集。实验结果表明，与最先进模型相比，FecMap 得益于所提出的 LSL 和 MPP，并在 LOP 任务上取得了稳定的性能。本研究首次尝试将联邦学习用于学习分析任务，有望为促进具有隐私保护的个性化教育铺平道路。
引用
@article{arxiv.2312.15608,
title = {Federated learning-outcome prediction with multi-layer privacy protection},
author = {Yupei Zhang and Yuxin Li and Yifei Wang and Shuangshuang Wei and Yunan Xu and Xuequn Shang},
journal= {arXiv preprint arXiv:2312.15608},
year = {2023}
}
备注
10 pages, 9 figures, 3 tables. This preprint will be published in Frontiers of Computer Science on Dec 15, 2024