PrivacyCD：面向认知诊断的分层式忘却技术
机器学习
2025-11-07 v1
摘要
从认知诊断（CD）模型中移除特定学生数据的需求日益迫切，这是由用户日益强化的"忘却权"驱动的。然而，现有的CD模型基本上是在不考虑隐私的情况下设计的，缺乏有效的数据忘卸机制。直接应用通用忘卸算法在面对CD模型独特的异构结构时，难以在忘卸完整性、模型实用性和效率之间取得平衡。为此，本文提出了CD模型数据忘卸问题的首个系统性研究，提出一种新型且高效的算法：分层重要性引导忘卸（HIF）。我们的关键洞察是，CD模型中的参数重要性呈现出不同的层次特征。HIF通过一种创新的平滑机制结合 individual 和 layer、level 重要性，从而实现对与待忘卸数据相关的更精确的参数区分。在三个真实数据集上的实验表明，HIF在关键指标上显著优于基线方法，为CD模型响应用户数据删除请求提供了首个有效解决方案，并为部署高性能、隐私保护的AI系统提供了可能。
引用
@article{arxiv.2511.03966,
title = {PrivacyCD: Hierarchical Unlearning for Protecting Student Privacy in Cognitive Diagnosis},
author = {Mingliang Hou and Yinuo Wang and Teng Guo and Zitao Liu and Wenzhou Dou and Jiaqi Zheng and Renqiang Luo and Mi Tian and Weiqi Luo},
journal= {arXiv preprint arXiv:2511.03966},
year = {2025}
}