科研之友
微信
新浪微博
Facebook
分享链接
摘要
对社区数字化学习数据的挖掘有助于促进社区居民个性化学习、提升社区教育管理决策水平和提高社区教育学习成果认证的准确性.然而,传统机器学习方法基于数据集中训练进行数据挖掘,面临个人隐私和数据安全相关的监管,道德、法律及技术挑战.研究表明,联邦学习作为强调数据安全和隐私保护的分布式机器学习技术,可以通过数据不动模型动、数据可用不可见的方式,针对区域内、跨区域以及跨教育类型的数字化学习数据,分别采用纵向、横向和迁移这三种不同类型的联邦学习方法进行数据挖掘.因此,基于联邦学习,可以分析相似相关数据,解决新用户冷启动问题;深度分析用户学习行为,推荐个性化学习资源;利用正规教育管理和学习数据,提升社区教育管理决策水平;联通各级各类教育数据,助力社区教育学习成果认证.
