May, 2024

个性化数字学习环境的分析、建模和设计

PDF
TL;DR本研究分析、建模和开发了一个创新的数字学习环境 (DLE)，采用创新的私密学习智能 (PLI) 框架。该提出的 PLI 框架利用联邦机器学习 (FL) 技术来自动构建和不断优化个性化学习模型，确保强大的隐私保护。我们的方法是推进 DLE 能力的关键，使学习者能够积极参与个性化的实时学习体验。在 DLE 中整合 PLI 还简化了个性化教学设计和开发需求。我们致力于建立 FL 与学习系统的无缝集成基础，为数字环境中的个性化学习提供一种革命性的方法。我们的实施细节和代码已公开。
digital learning environmentprivate learning intelligencefederated machine learningpersonalized learningprivacy protection
发现论文，激发创造
  • 走向个性化联邦学习

    本综述论文研究了个性化联邦学习（PFL）的领域，着重解决异构数据带来的基本问题，通过分类和分析 PFL 技术，提出其关键挑战和机会，并展望了未来研究的发展方向。

    Mar, 2021

  • 去中心化个性化联邦学习

    通过在分散式联邦学习中创建协作图，选择适合的合作方，从而解决数据异构性和通信限制带来的挑战。我们的方法通过一种新颖的、通信高效的策略来解决这些问题，提高资源效率。与传统方法不同，我们的方法通过考虑客户的组合关系在粒度级别上识别合作伙伴，增强个性化同时最小化通信开销。我们通过使用约束贪婪算法的双层优化框架实现这一目标，从而为个性化学习提供资源高效的协作图。通过在各种基准数据集上进行大规模评估，我们证明了我们的方法 DPFL 在处理实际数据异构性、最小化通信开销、提高资源效率以及在分散式联邦学习场景中构建个性化模型方面的优越性。

    Jun, 2024

  • 个性化联邦学习基于堆叠

    使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

    Apr, 2024

  • PFLlib：个性化联邦学习算法库

    该研究提出了 PFLlib，这是一个综合的个性化联邦学习算法库，包含 34 种最先进的联邦学习算法和多个评估环境，目前已经在 GitHub 上获得了 850 个星和 199 个分支。

    Dec, 2023

  • 多层个性化联邦学习用于缓解学生预测分析中的偏差

    本文提出了一种用于学生建模的多层个性化联邦学习 (Multi-Layer Personalized Federated Learning, MLPFL) 方法，旨在优化不同层次学生群组标准的推断准确性。该方法通过分布式训练以元梯度更新推导出团体内个人化模型，并结合多种学生行为模态，实现了个性化建模以提高跨不同学生子群组的预测准确性和稳定性。在三个真实的在线课程数据集上的实验表明，该方法在各种学生子群组中均能取得显著的预测质量改进，并为不同的学生子群组分别提取出特征聚类成果。

    Dec, 2022

  • 动态个性化联邦学习与激励

    本文介绍了一种名为 DyPFL 的动态个性化联邦学习技术，将受训练意愿不同的客户纳入考虑，以提高收敛性能。结果表明，该算法可以在各种条件下优于替代个性化方法。

    Aug, 2022

  • PeFLL: 个性化联邦学习的终身学习方法

    本文提出了一种名为 PeFLL 的个性化联邦学习方法，通过联合训练嵌入网络和超级网络来输出特定客户端的模型，并证明了其较以往方法在精度和规模等方面都更具优势，还提供了一种新的理论结果以支持该方法的可行性。

    Jun, 2023

  • 个性化和激励式联邦学习

    本文提出了一种一次性个性化解决方案 PI-FL，采用基于令牌的奖励机制来激励客户参与个性化训练，克服了客户不愿意参与联邦学习进程的问题，同时确保客户隐私，该方案表现优于其他现有方法，能够生成高质量的个性化模型。

    Apr, 2023

  • P4: 私密、个性化和点对点学习

    通过开发 P4（Personalized Private Peer-to-Peer）方法解决个性化学习中的客户聚类和数据隐私的挑战，保证每个客户在培训期间和培训后维护不同的隐私保证，并在多个基准数据集和不同的神经网络模型上展示了相对于差分隐私 P2P 技术的高达 40％的精确度提高。

    May, 2024

  • 适应适应性：跨数据源联邦学习个性化学习

    本文提出了 APPLE，这是一个个性化的跨平台联邦学习框架，在不均匀的数据集上实现了最先进的性能表现，并灵活控制了全局和本地目标的焦点。

    Oct, 2021