論文の概要: Federated Item Response Theory Models

• arxiv url: http://arxiv.org/abs/2506.21744v1
• Date: Thu, 26 Jun 2025 20:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.003913
• Title: Federated Item Response Theory Models
• Title（参考訳）: フェデレーションアイテム反応理論モデル
• Authors: Biying Zhou, Nanyu Luo, Feng Ji,
• Abstract要約: 我々は、従来のIRTモデルをさらなるプライバシーで推定できる新しいフレームワークであるIRT(Federated Item Response Theory)を提案する。 実験により,FedIRTは一般的なRパッケージを用いたIRT推定と同様の統計的精度を実現することを確認した。 この新しいフレームワークは、IRTの分散設定への適用性、例えばマルチスクールアセスメントを、正確さやセキュリティを犠牲にすることなく拡張する。
• 参考スコア（独自算出の注目度）: 8.125608919874074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Item Response Theory (IRT) models have been widely used to estimate respondents' latent abilities and calibrate items' difficulty. Traditional IRT estimation requires all individual raw response data to be centralized in one place, thus potentially causing privacy issues. Federated learning is an emerging field in computer science and machine learning with added features of privacy protection and distributed computing. To integrate the advances from federated learning with modern psychometrics, we propose a novel framework, Federated Item Response Theory (IRT), to enable estimating traditional IRT models with additional privacy, allowing estimation in a distributed manner without losing estimation accuracy. Our numerical experiments confirm that FedIRT achieves statistical accuracy similar to standard IRT estimation using popular R packages, while offering critical advantages: privacy protection and reduced communication costs. We also validate FedIRT's utility through a real-world exam dataset, demonstrating its effectiveness in realistic educational contexts. This new framework extends IRT's applicability to distributed settings, such as multi-school assessments, without sacrificing accuracy or security. To support practical adoption, we provide an open-ource R package, FedIRT, implementing the framework for the two-parameter logistic (2PL) and partial credit models (PCM).
• Abstract（参考訳）: 項目応答理論(IRT)モデルは、回答者の潜伏能力を推定し、項目の難しさを校正するために広く用いられている。 従来のIRT推定では、個々の生のレスポンスデータを一箇所に集約する必要があるため、プライバシー上の問題を引き起こす可能性がある。 フェデレーション・ラーニング(Federated Learning)は、プライバシ保護と分散コンピューティングの付加機能を備えた、コンピュータサイエンスと機械学習の新興分野である。 本稿では,従来のIRTモデルを新たなプライバシで推定し,推定精度を損なうことなく分散的な推定を可能にするための,新しいフレームワークであるIRTを提案する。 我々の数値実験は、FedIRTが一般的なRパッケージを用いたIRTの標準推定と類似した統計的精度を実現し、プライバシー保護と通信コストの削減という重要な利点を提供していることを確認した。 また、実世界の試験データセットを通じてFedIRTの実用性を検証し、現実的な教育環境での有効性を実証する。 この新しいフレームワークは、IRTの分散設定への適用性、例えばマルチスクールアセスメントを、正確さやセキュリティを犠牲にすることなく拡張する。 2パラメータロジスティック(2PL)と部分クレジットモデル(PCM)のフレームワークを実装したオープンアースRパッケージであるFedIRTを提供する。

関連論文リスト

• Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
  本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。 我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。 その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T19:06:25Z)
• Reconciling Privacy and Explainability in High-Stakes: A Systematic Inquiry [0.0]
  科学分野におけるディープラーニングの優位性は、高い意思決定を形作っている。 本稿では,RTP(Right-to-Privacy)とRTE(Right-to-Explanation)を組み合わせる複雑さについて検討する。
  論文  参考訳（メタデータ） (2024-12-30T08:43:28Z)
• Reliable Confidence Intervals for Information Retrieval Evaluation Using Generative A.I [39.92942310783174]
  大規模言語モデル(LLM)は、相対的に計算コストの少ない大規模で関連アノテーションを生成することができる。 本稿では,予測型推論と共形リスク制御に基づく2つの手法を提案する。 実験の結果,CIは評価のばらつきと偏りの両方を正確に捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-07-02T17:44:00Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備え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。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• f-FERM: A Scalable Framework for Robust Fair Empirical Risk Minimization [9.591164070876689]
  本稿では、f-divergence measures(f-FERM)に基づく公正な経験的リスクに対する統一的な最適化フレームワークを提案する。 さらに,f-FERMによるほぼ全てのバッチサイズに対するフェアネス・精度トレードオフの優位性を実証した。 我々の拡張は、不確実集合として$L_p$ノルムの下で f-FERM の目的を分布的に頑健に最適化する手法に基づいている。
  論文  参考訳（メタデータ） (2023-12-06T03:14:16Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Differential privacy and robust statistics in high dimensions [49.50869296871643]
  高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。 本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
  論文  参考訳（メタデータ） (2021-11-12T06:36:40Z)
• Tight Mutual Information Estimation With Contrastive Fenchel-Legendre Optimization [69.07420650261649]
  我々はFLOと呼ばれる新しい,シンプルで強力なコントラストMI推定器を提案する。 実証的に、我々のFLO推定器は前者の限界を克服し、より効率的に学習する。 FLOの有効性は、広範囲なベンチマークを用いて検証され、実際のMI推定におけるトレードオフも明らかにされる。
  論文  参考訳（メタデータ） (2021-07-02T15:20:41Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。