Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Evaluating Federated Learning for At-Risk Student Prediction: A Comparative Analysis of Model Complexity and Data Balancing

Created by
  • Haebom

저자

Rodrigo Tertulino, Ricardo Almeida

개요

본 연구는 데이터 프라이버시를 유지하면서 위험에 처한 학생들을 사전에 식별하기 위한 연합 학습(FL) 프레임워크를 제안하고 검증합니다. 원격 교육에서 지속적으로 높은 중퇴율은 여전히 해결해야 할 과제입니다. 대규모 OULAD 데이터 세트를 사용하여, 초기 학업 성취도와 디지털 참여 패턴을 기반으로 모델을 학습하는 개인 정보 보호 중심 시나리오를 시뮬레이션했습니다. 모델 복잡성(Logistic Regression vs. Deep Neural Network)과 로컬 데이터 균형 조정의 영향을 조사했습니다. 결과적으로 연합 모델은 강력한 예측력(ROC AUC 약 85%)을 달성했으며, FL이 학생 데이터 주권을 존중하는 조기 경보 시스템을 위한 실용적이고 확장 가능한 솔루션임을 입증했습니다.

시사점, 한계점

•
시사점:
◦
FL을 활용하여 학생 데이터 프라이버시를 유지하면서 위험 학생을 조기에 식별하는 시스템 구축 가능성을 제시했습니다.
◦
Logistic Regression과 Deep Neural Network 모델 모두 좋은 성능을 보이며, 모델 복잡성과 성능 간의 균형을 고려할 수 있습니다.
◦
대규모 OULAD 데이터셋을 활용하여 실제 데이터 기반의 모델 성능을 검증했습니다.
◦
ROC AUC 85%의 높은 예측 정확도를 달성했습니다.
•
한계점:
◦
구체적인 모델 아키텍처 및 하이퍼파라미터 설정에 대한 설명이 부족할 수 있습니다.
◦
다른 데이터셋에 대한 일반화 가능성에 대한 추가 연구가 필요합니다.
◦
로컬 데이터 균형 조정 방법론에 대한 더 자세한 분석이 필요합니다.
👍
Made with Slashpage