論文の概要: Towards Fair and Privacy-Aware Transfer Learning for Educational Predictive Modeling: A Case Study on Retention Prediction in Community Colleges

• arxiv url: http://arxiv.org/abs/2501.06913v1
• Date: Sun, 12 Jan 2025 19:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:27:08.939328
• Title: Towards Fair and Privacy-Aware Transfer Learning for Educational Predictive Modeling: A Case Study on Retention Prediction in Community Colleges
• Title（参考訳）: 教育予測モデルのための公正・プライバシ・アウェア・トランスファー学習に向けて--コミュニティ・カレッジにおける留置予測を事例として-
• Authors: Chengyuan Yao, Carmen Cortez, Renzhe Yu,
• Abstract要約: 本稿では,米国2年制コミュニティカレッジにおける留置予測のための転校学習戦略について検討する。 適応なしに外部モデルがローカルにデプロイされる場合、性能と公平性を識別する。 プライバシー規制下の開発者にとっては、人口統計の類似性に基づくシーケンシャルトレーニング選択機関は、パフォーマンスを損なうことなく公正性を高める。
• 参考スコア（独自算出の注目度）: 1.2801418445966537
• License:
• Abstract: Predictive analytics is widely used in learning analytics, but many resource-constrained institutions lack the capacity to develop their own models or rely on proprietary ones trained in different contexts with little transparency. Transfer learning holds promise for expanding equitable access to predictive analytics but remains underexplored due to legal and technical constraints. This paper examines transfer learning strategies for retention prediction at U.S. two-year community colleges. We envision a scenario where community colleges collaborate with each other and four-year universities to develop retention prediction models under privacy constraints and evaluate risks and improvement strategies of cross-institutional model transfer. Using administrative records from 4 research universities and 23 community colleges covering over 800,000 students across 7 cohorts, we identify performance and fairness degradation when external models are deployed locally without adaptation. Publicly available contextual information can forecast these performance drops and offer early guidance for model portability. For developers under privacy regulations, sequential training selecting institutions based on demographic similarities enhances fairness without compromising performance. For institutions lacking local data to fine-tune source models, customizing evaluation thresholds for sensitive groups outperforms standard transfer techniques in improving performance and fairness. Our findings suggest the value of transfer learning for more accessible educational predictive modeling and call for judicious use of contextual information in model training, selection, and deployment to achieve reliable and equitable model transfer.
• Abstract（参考訳）: 予測分析は、学習分析に広く使用されているが、リソースに制約のある多くの機関では、独自のモデルを開発する能力や、異なるコンテキストでトレーニングされたプロプライエタリなモデルにほとんど依存していない。 トランスファーラーニングは、予測分析への公平なアクセスの拡大を約束するが、法的な制約と技術的制約のために未探索のままである。 本稿では,米国2年制コミュニティカレッジにおける留置予測のための転校学習戦略について検討する。 コミュニティカレッジと4年制大学が連携して,プライバシ制約の下で保持予測モデルを開発し,施設間モデル移行のリスクと改善戦略を評価するシナリオを構想する。 7つのコホートにまたがる80,000人以上の学生を対象とする4つの研究大学と23のコミュニティカレッジの行政記録を用いて,外部モデルが適応せずにローカルに展開された場合のパフォーマンスと公平性の評価を行った。 一般に利用可能なコンテキスト情報は、これらのパフォーマンス低下を予測し、モデルポータビリティに関する早期ガイダンスを提供することができる。 プライバシー規制下の開発者にとっては、人口統計の類似性に基づくシーケンシャルトレーニング選択機関は、パフォーマンスを損なうことなく公正性を高める。 微調整源モデルに局所的なデータがない機関では、センシティブなグループの評価しきい値をカスタマイズすることで、性能と公平性を向上させるために標準転送技術より優れている。 本研究は,よりアクセシブルな予測モデルを構築する上での伝達学習の価値を示唆し,モデル学習,選択,展開における文脈情報の利用を,信頼性と等価なモデル伝達を実現するために求めている。

関連論文リスト

• U-aggregation: Unsupervised Aggregation of Multiple Learning Algorithms [4.871473117968554]
  新人口の強化とロバスト化のための教師なしモデルアグリゲーション手法U-アグリゲーションを提案する。 既存の教師付きモデルアグリゲーションや超学習者アプローチとは異なり、U-アグリゲーションは対象人口の観測されたラベルや成果を仮定しない。 複雑な形質の遺伝的リスク予測を高めるために,U凝集を用いた実世界の応用の可能性を示す。
  論文  参考訳（メタデータ） (2025-01-30T01:42:51Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• Cross-Institutional Transfer Learning for Educational Models: Implications for Model Performance, Fairness, and Equity [8.762925492954777]
  本研究では,高等教育における経験的ケーススタディを通したクロス・インスティカル・ラーニングについて検討する。 実世界のデータ共有制約とモデル共有制約の下でのクロス機関間転送の実現可能性について検討する。 数十のモデルと転送スキームで評価された公正さと正確さのトレードオフの証拠は見つからない。
  論文  参考訳（メタデータ） (2023-05-01T16:27:49Z)
• Self-training via Metric Learning for Source-Free Domain Adaptation of Semantic Segmentation [3.1460691683829825]
  教師なしのドメイン適応手法は、事前訓練されたソースドメインモデルとラベルなしのターゲットドメインデータを用いて、ターゲットドメインのモデルをトレーニングすることを目的としている。 従来の手法では、通常擬似ラベルによる自己学習が用いられており、予測信頼度に基づいてしきい値付けされることが多い。 本稿では,教師ネットワークからの全ての予測を用いて,学生ネットワークを訓練する平均教師モデルを導入することによって,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-08T12:20:35Z)
• Plex: Towards Reliability using Pretrained Large Model Extensions [69.13326436826227]
  我々は,視覚と言語モダリティのための事前訓練された大規模モデル拡張であるViT-PlexとT5-Plexを開発した。 Plexは信頼性タスク間の最先端性を大幅に改善し、従来のプロトコルを単純化する。 最大1Bパラメータまでのモデルサイズに対するスケーリング効果と,最大4B例までのデータセットサイズを事前トレーニングした。
  論文  参考訳（メタデータ） (2022-07-15T11:39:37Z)
• Explain, Edit, and Understand: Rethinking User Study Design for Evaluating Model Explanations [97.91630330328815]
  我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。 単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
  論文  参考訳（メタデータ） (2021-12-17T18:29:56Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Adversarial Training Helps Transfer Learning via Better Representations [17.497590668804055]
  Transfer Learningは、ソースデータに事前トレーニングされたモデルを活用して、ターゲット設定に効率的に適応することを目的としている。 最近の研究は、情報源データにおける敵対的訓練が、新しいドメインへのモデル転送能力を向上させることを実証的に実証している。 本研究は, 情報源データにおける対角的学習により, より優れた表現が生成されることを示し, この表現を微調整することで, 対象データのより正確な予測が可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T15:41:07Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting [0.0]
  加算回帰モデルに基づく移動機械学習手法を提案する。 レストランの複数の支店の多年多様なデータセットに対するアプローチを評価した。 その結果,分析知識を総合的に活用するアプローチの可能性が示された。
  論文  参考訳（メタデータ） (2020-05-15T15:44:37Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。