1.一种基于联邦学习的认知诊断方法,其特征在于:S1:定义学生与习题的交互记录,获取数据集,服务器初始化模型参数;
S2:服务器分发参数给客户端;
S3:客户端接收模型参数,客户端本地训练并更新参数,客户端上传模型参数至服务器,服务器聚合用户嵌入和项目嵌入;
S4:根据相关信息,输出指定学生正确回答习题的概率;
所述定义学生与习题的交互记录,包括:
定义学生集合S={s1,s2,…,sN},其中N为学生的总数;定义练习集合E={e1,e2,…,eM},其中,M为练习的总数;定义知识概念集合C={c1,c2,…,cK},其中,K为知识概念的总数;定义学生与习题的交互记录为R={R1,R2,…,Rn};其中,交互表示学生对习题的作答,表示学生,表示学生进行的练习,表示学生对练习的作答结果,1≤i≤n;
所述服务器分发参数给客户端,包括:
将认知诊断模型参数解耦为三部分,其中代表学生嵌入相关参数,代表习题嵌入相关参数,代表诊断函数参数;
如果当前通信是客户端与服务器的第一轮通信,则服务器将所有参数全部分发给客户端,否则,服务器只分发给客户端;
所述认知诊断模型参数解耦,包括:
将认知诊断模型参数解耦的目的是为每个客户端的不同部分参数寻找不同参数,使得每个客户端损失之和最小,同时参数聚合后的各个客户端损失也最小,满足如下:其中和表示参数搜索空间上式是一个双层优化问题;
所述客户端接收模型参数并获取模型输入,包括:每个客户端本地都有一个独立的认知诊断模型,如果当前通信是客户端与服务器的第一轮通信,则客户端接收所有参数并使用参数初始化本地的认知诊断模型,否则,客户端接收初始化本地的认知诊断模型的学生嵌入和习题嵌入;
所述服务器聚合学生嵌入和习题嵌入,包括:所有客户端的模型在本地训练完毕后,中央服务器负责聚合其上传的参数集,即学生嵌入参数集和练习嵌入参数集,采用以下差异感知聚合机制来获得新的学生嵌入参数:其中表示上一轮获得的学生嵌入参数,表示相应位不等于0则返回1否则返回0;
采用以下损失感知聚合机制来获得新的练习嵌入参数:其中,是第t个客户端参数的归一化权重,是调整客户损失函数值重要性的参数。
2.根据权利要求1所述的一种基于联邦学习的认知诊断方法,其特征在于,所述获取数据集和服务器初始化模型参数,包括:提取数据集提供的特征Xinput={S,E,R,T,Q,O},长度为L的 Xinput定义为:Xinput={S,E,R,T,Q,O}={S={s1,s2,…,sL}, E={e1,e2,…,eL},R={r1,r2,…,rL}, T={t1,t2,…,tL}, Q={q1,q2,…,qL}, O={o1,o2,…,oL}};
其中,S代表学生信息,E代表习题信息,R代表学生作答结果,T代表学校信息,Q代表概念信息,O代表其他信息,包含多个特征, O至少包含一个特征;
服务器根据所选择的认知诊断模型初始化模型的参数,得到由参数化的认知诊断模型。
3.根据权利要求2所述的一种基于联邦学习的认知诊断方法,其特征在于,所述学校信息,包括:根据学校信息将数据进一步划分,学校数量即客户端数量,定义T个学校的学生为,其中表示第个学校的学生,定义第t个学校的学生的交互记录为。
4.根据权利要求1所述的一种基于联邦学习的认知诊断方法,其特征在于,第t客户端中的学生嵌入模块Emb1(·)和练习嵌入模块Emb2(·)表示为:,
,
是其中D是嵌入大小,通常等于K,和是两个能否学习的参数矩阵,用于存储所有学生和所有练习的嵌入参数。
5.根据权利要求1所述的一种基于联邦学习的认知诊断方法,其特征在于,所述客户端本地训练并更新模型参数,包括:本地的认知诊断模型使用NCD,其前向传播过程如下:,
,
,
,其中𝜎(·) 表示 Sigmoid 激活函数,和表示练习的难度和辨别力最后一项表示采用的三层全连接层,其三个参数是和,因此,第t客户端的诊断函数参数表示为,本地认知诊断模型使用二元交叉熵作为损失函数:使用随机梯度下降法更新参数,每个客户的模型需要在数据上进行Num轮的训练,参数更新完成后得到新一轮的。
6.根据权利要求1所述的一种基于联邦学习的认知诊断方法,其特征在于,所述客户端上传模型参数至服务器,包括:客户端将上传到服务器,用于聚合,并将保留在本地,直接用作下一轮的初始参数。
7.根据权利要求6所述的一种基于联邦学习的认知诊断方法,其特征在于,所述客户端的损失函数,包括:定义第t个客户端的损失函数为:
其中表示t个客户端的本地数据,每个客户端仅使用本地数据进行训练和评估。