学习成果预测（LOP）是教育路线中一个长期存在的关键问题。许多研究为开发有效的模型做出了贡献，但由于隐私保护的问题，常常出现数据短缺和对不同使用场景泛化能力较弱的问题。
为了解决这一挑战，西北工业大学尚学群、张育培等撰写了研究论文：具有多层隐私保护的联邦学习成果预测。
文章信息
标 题：
Federated learning-outcome prediction with multi-layer privacy protection
引用格式：
Yupei ZHANG, Yuxin LI, Yifei WANG, Shuangshuang WEI, Yunan XU, Xuequn SHANG. Federated learning-outcome prediction with multi-layer privacy protection. Front. Comput. Sci., 2024, 18(6): 186604
阅读原文：
文章概述
文章旨在提出使用联邦学习框架的分布式成绩预测模型，保留客户端的隐私数据并通过全局模型进行交流，提升学习成果预测模型的泛化性能和预测精度。
技术步骤
通过局部子空间学习显式的保留局部特征，采用多层隐私保护分层保护私有特征，以实现学习成果预测客户端上高性能的分类器。
实验结果
大量实验结果表明，基于本文提出的具有多层隐私保护的联邦学习成果预测技术，受益于所提出的局部子空间学习和多层隐私保护，并在学习成果预测任务上具有优秀的性能表现。
相关内容推荐：
文章精要 | 暨南大学魏凯敏教授团队：空间众包中基于聚合的双异构任务分配 2024 18(6): 186605
文章精要 | 华中科技大学郑龙副教授团队：ARCHER：基于ReRAM的压缩推荐系统加速器 2024 18(5): 185607
文章精要 | 中国科学技术大学何向南教授团队：图卷积如何放大流行度偏差？ 2024 18(5): 185603
文章精要 | 东北大学张天成副教授团队：一种同时追踪大量知识概念掌握概率的概率生成模型 2024 18(3): 183602
文章精要 | 合肥工业大学吴信东教授团队：采用分层注意力网络的联合用户画像 2023 17(3): 173608
文章精要 | 中山大学朱怀杰团队：最稀疏群体查询 2023 17(2): 172605
文章精要 | 东北大学张天成团队：认知诊断模型的新进展 2023 17(1): 171604
文章精要 | 东北大学乔百友团队：一种基于PredRNN结合注意力机制的有效海表温集成学习预测方法 2023 17(1): 171601
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
《前沿》系列英文学术期刊 中国学术前沿期刊网 http://journal.hep.com.cn/ |
