論文の概要: Towards Privacy-Preserving Data-Driven Education: The Potential of Federated Learning

• arxiv url: http://arxiv.org/abs/2503.13550v1
• Date: Sun, 16 Mar 2025 14:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:25.448816
• Title: Towards Privacy-Preserving Data-Driven Education: The Potential of Federated Learning
• Title（参考訳）: プライバシ保護型データ駆動教育を目指して--フェデレートラーニングの可能性
• Authors: Mohammad Khalil, Ronas Shakya, Qinyi Liu,
• Abstract要約: 本稿では,教育データ予測のためのフェデレーション学習の実験的検討を行った。 その結果,フェデレーション学習が予測精度に匹敵するものであることが示唆された。 敵対的攻撃の下では、フェデレーション学習は非フェデレーション設定よりもレジリエンスが高いことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The increasing adoption of data-driven applications in education such as in learning analytics and AI in education has raised significant privacy and data protection concerns. While these challenges have been widely discussed in previous works, there are still limited practical solutions. Federated learning has recently been discoursed as a promising privacy-preserving technique, yet its application in education remains scarce. This paper presents an experimental evaluation of federated learning for educational data prediction, comparing its performance to traditional non-federated approaches. Our findings indicate that federated learning achieves comparable predictive accuracy. Furthermore, under adversarial attacks, federated learning demonstrates greater resilience compared to non-federated settings. We summarise that our results reinforce the value of federated learning as a potential approach for balancing predictive performance and privacy in educational contexts.
• Abstract（参考訳）: 学習分析やAIなどの教育におけるデータ駆動アプリケーションの採用の増加は、プライバシとデータ保護に関する重大な懸念を提起している。 これらの課題は、以前の研究で広く議論されてきたが、まだ限定的な実用的な解決法が存在する。 フェデレーテッド・ラーニング(Federated Learning)は最近、将来性のあるプライバシー保護技術として議論されてきたが、教育におけるその応用は依然として少ない。 本稿では,教育データ予測のためのフェデレーション学習の実験的検討を行い,その性能を従来の非フェデレーションアプローチと比較した。 その結果,フェデレーション学習が予測精度に匹敵するものであることが示唆された。 さらに、敵対的攻撃下では、フェデレーション学習は非フェデレーション設定よりもレジリエンスが高いことを示す。 この結果が,教育場面における予測性能とプライバシのバランスをとるための潜在的アプローチとして,フェデレーション学習の価値を高めたことを要約する。

関連論文リスト

• Concurrent vertical and horizontal federated learning with fuzzy cognitive maps [1.104960878651584]
  本研究ではファジィ認知地図を用いた新しいフェデレーション学習フレームワークを提案する。 多様なデータ分散と非識別分散機能によって引き起こされる課題を包括的に解決するように設計されている。 その結果,プライバシと機密性の基準を維持しつつ,望ましい学習結果を達成するためのアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2024-12-17T12:11:14Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• FHAUC: Privacy Preserving AUC Calculation for Federated Learning using Fully Homomorphic Encryption [1.9662978733004604]
  本稿では,水平連合学習システムにおいてAUCを計算可能な,効率的で正確で,堅牢で,よりセキュアな評価アルゴリズムを提案する。 提案手法は,データサイズに関わらず,100の参加者を含む連合学習システムのAUCを効率よく計算し,99.93%の精度をわずか0.68秒で達成する。
  論文  参考訳（メタデータ） (2024-03-21T14:36:55Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Towards Federated Long-Tailed Learning [76.50892783088702]
  データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。 最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。 本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
  論文  参考訳（メタデータ） (2022-06-30T02:34:22Z)
• Non-IID data and Continual Learning processes in Federated Learning: A long road ahead [58.720142291102135]
  フェデレートラーニング(Federated Learning)は、複数のデバイスや機関が、データをプライベートに保存しながら、機械学習モデルを協調的にトレーニングすることを可能にする、新しいフレームワークである。 本研究では,データの統計的不均一性を正式に分類し,それに直面することのできる最も顕著な学習戦略をレビューする。 同時に、継続学習のような他の機械学習フレームワークからのアプローチを導入し、データの不均一性にも対処し、フェデレートラーニング設定に容易に適応できるようにします。
  論文  参考訳（メタデータ） (2021-11-26T09:57:11Z)
• Where Did You Learn That From? Surprising Effectiveness of Membership Inference Attacks Against Temporally Correlated Data in Deep Reinforcement Learning [114.9857000195174]
  深い強化学習を産業的に広く採用する上での大きな課題は、プライバシー侵害の潜在的な脆弱性である。 本稿では, 深層強化学習アルゴリズムの脆弱性を検証し, メンバーシップ推論攻撃に適応する対戦型攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-08T23:44:57Z)
• Federated Learning on Non-IID Data: A Survey [11.431837357827396]
  フェデレーション学習(Federated Learning)は、プライバシ保護のための分散機械学習フレームワークである。 連合学習で訓練されたモデルは、通常、標準集中学習モードで訓練されたモデルよりもパフォーマンスが劣る。
  論文  参考訳（メタデータ） (2021-06-12T19:45:35Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)

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。