基于联邦学习的教育数据挖掘隐私保护技术探索

摘要：

近年来,人工智能在教育领域发挥着日益重要的作用.但随着隐私泄露问题的凸显,如何在保护学习者隐私的基础上,使用来自多方的数据以提升人工智能应用的性能,成为智能时代亟待解决的问题.为此,文章引入了人工智能领域新兴的联邦学习概念,分析了联邦学习的定义、系统模型与训练过程、隐私保护技术,并将联邦学习与教育数据挖掘的各类算法相结合,以解决教育数据挖掘中可能存在的隐私保护问题.研究发现,联邦学习方法能够从原理上保障数据隐私,且容易整合到现有的教育应用中;在保护隐私的基础之上,运用联邦学习能够最大程度地提高模型精确度;将联邦学习与教育数据挖掘相结合,既能最大化地发挥利益相关者的作用,又能满足各利益相关者的需求.联邦学习将为教育的信息化与智能化发展开辟全新的路径.

关键词：联邦学习、教育大数据、教育数据挖掘、隐私保护、机器学习

所属期刊栏目：41

分类号：G434(电化教育)

在线出版日期：2020-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：94-100