基于联邦学习的教育数据隐私保护与智能推荐模型构建

《Scientific Reports》：Construction of a federated learning-based privacy-preserving and intelligent recommendation model for educational data

　　

摘要

随着先进教育平台的发展，越来越多的个性化推荐系统被用于提高学习效率，并使教育资源的传播更加便捷。然而，教育推荐任务涉及高度敏感的学生数据。目前的集中式推荐方法在跨机构学习多样化学习者偏好方面存在局限性，且容易受到隐私泄露的影响。现有的联邦推荐方法主要关注推荐效果或隐私保护，很少有研究在统一框架中同时考虑隐私保护、序列学习者行为建模和个性化联邦优化。为了应对这些挑战，本文提出了一种面向教育数据的隐私保护个性化联邦推荐系统。本研究提出一个框架，将差分隐私扰动、个性化联邦聚合、序列兴趣建模和上下文感知排序纳入优化目标中。本地学习者表示在差分隐私约束下学习。此外，序列行为编码和注意力驱动建模被用来理解学习者的动态兴趣以及行为的连续关系。此外，我们提出了一种本地-全局表示融合策略，以解决非独立同分布（non-IID）联邦场景下学习者个性化与全局泛化之间的困境。在MovieLens-1 M和Amazon Beauty数据集上，分别在IID、non-IID和隐私保护联邦框架下进行了广泛实验。我们的结果表明，所提出的差分隐私联邦平均（DP-FedAvg）框架可以有效解决由多样化客户端分布引起的性能下降问题，并在不同的隐私预算下保持推荐准确性。在MovieLens-1 M数据集上，DP-FedAvg达到了0.710的平均HR@10和0.681的平均归一化折损累计增益（NDCG@10），优于通常的non-IID联邦基准。隐私-效用评估进一步表明，隐私保护与推荐的有用性可以很好地共存。我们提出了一个框架，以去中心化的方式为智能教育环境中隐私感知的联邦推荐提供了统一且可重复的方法论。