面向隐私保护的数据驱动教育：联邦学习的潜在价值
机器学习
2025-03-19 v1 人工智能
密码学与安全
摘要
数据驱动应用在教育领域的日益普及，如学习分析和AI in education，引发了显著的隐私和数据保护 concerns。尽管这些挑战在前期工作中已广泛讨论，但仍缺乏实用解决方案。联邦学习最近被讨论为一种有前景的隐私保护技术，但其在教育领域的应用仍寥寥。本文提出了联邦学习用于教育数据预测的实验评估，比较其与传统非联邦方法的性能。我们的发现表明，联邦学习在预测准确度方面可与传统方法持平。此外，在对抗性攻击下，联法学习显示出优于非联邦设置的更强韧性。我们总结说，本结果强化了联邦学习作为在教育情境下平衡预测性能与隐私的潜在方法的价值。
引用
@article{arxiv.2503.13550,
title = {Towards Privacy-Preserving Data-Driven Education: The Potential of Federated Learning},
author = {Mohammad Khalil and Ronas Shakya and Qinyi Liu},
journal= {arXiv preprint arXiv:2503.13550},
year = {2025}
}