用于在线学生表现分析的联邦图表示学习
Rasool Seyghaly、Jordi Garcia 和 Xavi Masip-Bruin
《Electronics》:Federated Graph Representation Learning for Online Student Performance Analysis
Rasool Seyghaly,
Jordi Garcia and
Xavi Masip-Bruin
【字体:
大
中
小
】
时间:2026年04月03日
来源:Electronics 2.6
摘要
随着在线学习平台的迅速发展,人们越来越需要能够分析学习者行为的同时又不集中存储敏感活动日志的隐私保护方法。本研究提出了一种基于联邦学习的图表示学习(FL-GRL)框架,用于分布式学习环境中的在线学生表现分析。每个学习者都通过一个本地学生学习知识图谱(SLKG)来表示,该图谱记录了他们与课程、讲座、网络研讨会、挑战和论坛活动的互动情况。图神经网络(GNN)被用来从这些本地图谱中提取具有关系信息的嵌入向量,而联邦学习则支持在不共享原始数据的情况下进行模型协同优化。随后通过联邦聚类阶段,可以识别出具有部分重叠行为模式的学员群体,这有助于实现探索性的个性化教学和基于信度的后续教育支持。当前的实验主要关注隐私保护型图分析的可行性,而非完整的监督预测基准测试。评估结果表明,所提出的框架在操作上是可行的,比扁平特征模型更能保留数据中的关系结构,并为隐私敏感的在线教育环境中发现学习者群体提供了可解释的基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号