FedPath-MTL:面向分布式教育系统的联邦多任务个性化学习路径框架及其实证评估
《Mathematics》:FedPath-MTL: A Federated Multi-Task Framework for Personalized Learning Pathways with Real-Record Predictive Evaluation
【字体:
大
中
小
】
时间:2026年09月29日
来源:Mathematics 2.3
摘要
在分布式教育系统中,由于学习者记录无法总是集中存储,且单一的共享联邦预测器可能无法代表机构间、学习任务以及个体学习者之间的异质性,因此很难支持个性化学习路径。我们提出了 FedPath-MTL,这是一个联邦多任务框架,包含全局、任务特定和学习者特定的参数、有界未来误差代理、动态任务图、可靠性感知聚合以及受约束的原始-对偶束搜索规划器。我们仅评估了四个公开教育数据集上的下一结果预测组件:ASSISTments 2009–2010 Combined、Junyi Academy 2018–2019、EdNet-KT1 和 OULAD。每种方法均在相同仅用于验证的温度缩放协议前后进行评估,并报告了 AUC、负对数似然 (NLL)、Brier 分数以及 15 个分箱的期望校准误差 (ECE)。池化集中比较器在所有四个数据集中的平均 AUC 最高。FedPath-MTL 的 AUC 范围为 0.531 至 0.580,完全校准的 ECE 范围为 0.098 至 0.127;与 FedAvg 风格训练的匹配比较未显示出统一的 AUC 或校准优势。观察到的学校标识符仅为 ASSISTments 定义了客户端;其他数据集使用了明确标记的模拟分区。公共日志未能联合识别行动、倾向、后续学习回报、资源目录和机构约束,因此不主张任何路径有效性或因果学习增益声明。软件测试验证了规划器的公式级实现,但并未验证教育效益或真实机构约束的满足情况。
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