基于聯邦多任務學習的智慧教室隱私保護研究

摘要：在5G時代，隨著聯網設備的增多，智慧教室中的數據傳輸變得異常復雜，將聯邦學習應用于智慧教室的隱私保護具有重要意義。盡管已有的聯邦學習技術在平衡公平性和準確性方面取得了積極進展，但在解決智慧教室場景中的隱私保護問題方面還不夠徹底。基于此，文章首先剖析了智慧教室中的多任務學習場景，建立了適用于智慧教室的多任務機器學習公平性模型。隨后，文章提出了基于聯邦學習框架的智慧教室隱私保護策略——聯邦多任務機器學習框架。為了驗證此框架的有效性，文章開展了計算機仿真實驗，實驗結果顯示：聯邦多任務機器學習框架不僅實現了多任務機器學習公平性和準確性的平衡，而且具有較強的隱私保護能力。文章的研究可為教育數據隱私保護提供重要參考，并有力推動教育數字化轉型。

關鍵詞：智慧教室；聯邦學習；隱私保護；多任務機器學習

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）09—0123—10 【DOI】10.3969/j.issn.1009-8097.2024.09.012

引言

2021年，教育部發布《高等學校數字校園建設規范（試行）》，提出“加強信息化教學環境建設，提高信息系統安全、數據安全和內容安全等級”^[1]。同年，《教育部等六部門關于推進教育新型基礎設施建設構建高質量教育支撐體系的指導意見》提出，要促進學校物理空間與網絡空間一體化建設，打造平安校園^[2]。在國家政策的支持與引導下，智慧教室的建設在我國如火如荼地開展起來。隨著聯網設備的增多，以5G通信為基礎的智慧教室數據傳輸變得異常復雜，教育大數據的隱私和安全問題成為阻礙智慧教育發展的重要因素^[3]。多項研究認為將聯邦學習應用于智慧教室的隱私保護，可以有效保障本地數據的隱私安全，同時滿足智慧教室分布式計算的需求^[4][5]。

當前，聯邦學習技術主要針對單一目標的機器學習任務，通過帕累托邊界（Pareto Frontier）來表征任務的準確性和公平性^[6][7][8]。但在給定資源的限制下，帕累托邊界無法同時最大化多個目標函數。多任務機器學習能同時考慮多個相關但不同的任務，通過共享知識來提高機器學習模型的效率和性能，因而其在聯邦學習框架中的地位日益凸顯。為了實現多任務機器學習的帕累托優化，有研究認為可以利用公平約束來確保機器學習模型對所有任務都產生公正的結果^[9]。然而，由于不同任務具有不同的權重和優先級，故在進行權重分配的實際操作時還缺少一定的靈活性。對此，Chen等^[10]提出了一種基于注意力機制的多任務機器學習方法，其通過引入注意力機制，針對不同任務動態調整注意力的權重，使機器學習模型能夠更好地適應每個任務的需求；Yang等^[11]提出了一種基于自適應加權的多任務機器學習方法，其通過引入一個自適應權重矩陣，根據任務之間的相似度和數據分布的差異性來自適應地調整任務的權重；Ohno^[12]提出了一種基于深度生成模型的多任務機器學習方法，其利用生成對抗網絡來生成任務相關的特征，并通過訓練生成器和判別器來優化模型的準確性和公平性；而Taherkhani等^[13]基于遷移學習的方法，通過利用源任務的知識來輔助目標任務的學習。

盡管上述研究在平衡公平性和準確性方面取得了積極進展，但對于解決智慧教室場景中的隱私保護問題還不夠徹底，主要表現在：①通過注意力機制調整任務權重需要大量的計算資源來訓練機器學習模型，這在常規的智慧教室環境下難以實現；②自適應加權方法難以準確捕獲任務之間的復雜關系，不符合真實的智慧教室運行規律；③生成對抗網絡、遷移學習等方法容易忽略源任務與目標任務之間的差異性。鑒于此，本研究聚焦智慧教室中的隱私保護需求，建立適用于智慧教室的多任務機器學習公平性模型，并探索將該模型部署在智慧教室群中的方法，以在實現多任務機器學習準確性和公平性的同時，增強對智慧教室數據的隱私保護。

一 智慧教室中的多任務學習場景

智慧教室中含有多種智能設備，每種智能設備產生的數據內容和含義不盡相同。為每種數據單獨設置一個機器學習任務，既不符合智慧教室的實際運行情況，也滿足不了多種數據聯合分析的教學需求。要想同時處理多種智能設備的數據，首先需要建立適用于智慧教室的多任務機器學習公平性模型（下文簡稱“多任務公平性模型”）。

1 智慧教室中的智能設備

智慧教室中的智能設備是指一系列用于實現信息化教學、管理和互動的軟硬件系統，以輔助教學內容的呈現和學習資源的獲取，并優化課堂互動、情境感知和環境管理^[14][15]。這些智能設備主要包括：①物聯網設備。物聯網設備是一種以5G通信為基礎的智能感知系統，包括智能照明系統、智能投影系統、智能黑板系統、學生考勤系統、智能門禁系統、教室監控系統等^[16]。②智能手環。智能手環可用于監測學生的健康數據，如心率、步數、睡眠質量等。教師和學校管理人員可以通過這些數據了解學生的身體狀況，及時關注學生的健康問題。③智能手機。學生可以利用智能手機獲取學習資源、瀏覽課件、觀看教學視頻，也可以通過智能手機上的應用程序參與課堂互動、回答問題、提交作業等^[17]。④智能手表。智能手表集成了多種傳感器和通信技術，能夠與智能手機或其他設備進行數據交換，教師和學生可以將其用于運動追蹤、通訊聯絡、日程提醒等。⑤智能平板。教師可以使用平板電腦展示課件、教材、圖片、視頻等；學生可以通過平板電腦參與答題、討論、小組合作等學習活動，從而提升其參與度和學習效果。

2 智慧教室中的多任務公平性模型

如果將每一個智能設備產生的數據視為一個學習任務，那么智慧教室就成為了一個多任務機器學習場景。通常情況下，單任務機器學習的目標函數可以表示為L（t）+λF（t），其中L（t）表示任務t的準確性損失，F（t）表示任務t的公平性損失，λ是平衡準確性和公平性的參數^[18]。在有兩個任務t₁、t₂的情況下，可以使用公式（1）建立涵蓋兩個任務的公平性模型。其中，α∈[0， 1]表示任務t₁的比重。

公式（1）

本研究通過K-means算法對輸入數據進行聚類來獲得數據的類別標簽，此時多任務機器學習中不同的任務輸入便對應聚類后的標簽。假設有T個任務存在輸入數據x，每個數據對應標簽y；同時，令多任務機器學習模型的參數空間為θ=（θ_sh， θ₁， ...， θ_T），其中θ_sh為共享參數，θ₁， ...， θ_T為與任務相關的特定參數，那么多任務機器學習中第t個任務的目標函數可用公式（2）表示。此時，多任務公平性模型可以表示為T個任務損失函數的聯合優化，如公式（3）所示。

公式（2）

公式（3）

二 基于聯邦學習框架的智慧教室隱私保護策略

盡管多任務公平性模型可以在單個智慧教室中獨立地運行，但在由多個智慧教室所構成的智慧教室群中還需要建立參數共享和更新機制，才能有效解決“數據孤島”和隱私泄露問題。為此，本研究依托聯邦學習框架進行多任務公平性模型的部署與全局參數優化，提出基于聯邦學習框架的智慧教室隱私保護策略——聯邦多任務機器學習框架。

1 多任務公平性模型在智慧教室群中的部署

聯邦學習作為一種重要的分布式機器學習范式，可以通過共享模型參數（而不是原始數據）來有效解決“數據孤島”問題并增強隱私保護，是多任務機器學習模型部署的優先選擇^[19]。由于每間智慧教室都有獨立的教學場景和數據分析任務，因此需要為每間智慧教室增加一個邊緣服務器（Edge Server，ES）節點。ES節點不僅可以實現學習任務的計算、數據存儲和傳輸，還可以保證本地機器學習模型獨立地運行而不受其他智慧教室的影響。

本研究將在聯邦學習框架中部署多任務公平性模型的方式稱為聯邦多任務機器學習，其框架如圖1所示。該框架將一個ES節點作為聯邦學習的服務端，部署多任務公平性模型；其他ES節點則作為聯邦學習的本地節點，部署與分析任務有關的本地機器學習模型。其中，本地機器學習模型主要用于同時處理智慧教室環境中的多個相關任務，如學生姿勢估計、表情識別、身體健康分析等，旨在通過從多個任務中提取出任務的共享特征表示，來提升模型對新任務數據的適應能力。而多任務公平性模型主要用來協調多任務機器學習過程，通過調整不同任務的學習權重，使其獲得相應的訓練數據，避免數據分布的偏斜導致某些任務被忽視或過度加權。

服務端節點與本地節點之間傳輸不同任務的損失值和權重，是多任務公平性模型更新的主要依據，本研究將任務t輸入本地ES節點的機器學習模型的數據集記為x_t∈R^d。為了使所有本地機器學習模型共享多任務公平性模型的參數，本研究引入了一組對偶算子{p_tj | t∈T， j∈V}，其中V表示ES節點的集合。這時，多任務機器學習問題可以被重新表示為公式（4）、公式（5）、公式（6）。其中，公式（4）的目標函數可以用交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）以分布式解耦和多點協作的方式求解；在公式（5）中， 表示數據集 的目標函數，R（x_t）表示正則項；而在公式（6）中， 表示樣本容量。

公式（4）

公式（5）

公式（6）

2 基于ADMM的全局參數優化

ADMM是一種求解帶約束之優化問題的經典算法，主要通過分解協調的過程將原始的全局問題先分解為多個容易求解的小問題，然后協調多個小問題的解，組合成原始問題的解。本研究將公式（4）寫成ADMM的數學表達形式^[20]，得到公式（7）。其中，x=[x₁， x₂， ...， x_N]^T∈R^N，p是集合{p_tj}、g（p）=0和A=[A₁; A₂]的向量，[A₁; A₂]∈R^2×N，B：=[-I; -I_N]，聚合函數R^N→R被定義為公式（8）。

公式（7）

公式（8）

公式（7）的增廣拉格朗日函數可以表示為公式（9）的形式。其中，λ∈R^N是拉格朗日乘子，η是懲罰系數。

公式（9）

在ADMM算法中，L_c（x， p， λ）在變量x、p和λ的作用下被最大化。在第k+1次迭代時，ADMM的更新如公式（10）所示。

公式（10）

設λ=[β; γ]，β，γ∈R^N， 和 ，則ADMM的更新可以簡化為公式（11）。其中，α=H_β∈R^Nd是一個新的拉格朗日乘子，且M=（L_＋+L_－）/2，L_＋=H_＋HT+/2和L_－=H_－HT－/2，L_＋和L_－是有符號和無符號的拉普拉斯矩陣。

公式（11）

參照公式（11）中ADMM更新的矩陣，關于任務t的參數更新如公式（12）、公式（13）所示。其中，α∈R^N是任務t的拉格朗日乘子，也是所有α_t的集合。在第k+1次迭代時，每個任務t通過公式（12）更新本地ES的機器學習模型。之后，將第k次迭代的 和 ，j∈V_t的平均值賦予 ，再將 廣播給其所有鄰近的任務j∈V_t。在收集所有的 后，任務t通過公式（13）更新其拉格朗日乘子α_t。

公式（12）

公式（13）

三 實驗過程與方法

為了驗證聯邦多任務機器學習框架的有效性，本研究開展了計算機仿真實驗，過程如下：首先創建一個仿真數據集，以模擬智慧教室中不同的智能設備；然后，使用三個真實數據集，以測試聯邦多任務機器學習框架在不同數據集上的表現；最后，將其與三個同類型算法的運行結果進行對比分析。

1 仿真數據集的創建

仿真數據集是根據文獻^[21]中的開源數據擬合而得。為了模擬智慧教室的5G通信場景，該數據集的設置符合3GPP標準。仿真數據集模擬了智慧教室中不同的智能設備，包括物聯網設備、智能手表、智能手環、智能手機、智能平板等，分別代表不同的學習任務。仿真數據集中含有不同的網絡拓撲結構，如星型網絡、網狀網絡、樹狀網絡等，用于模擬智慧教室中各設備之間的連接方式和通信模式。此外，根據3GPP發布的5G規范^[22]，仿真數據集中還提供符合5G標準的網絡參數和性能指標（如帶寬、延遲、吞吐量、連接穩定性等），以及不同的網絡負載情況，來模擬智慧教室中智能設備使用的不同時間段。

2 真實數據集的遴選

本實驗選取的3個真實數據集均與5G通訊有關：①Mobile流量數據集。它是中國移動通信公司的5G基站流量數據集，包含上下行流量。此數據集可用于多任務5G基站流量異常檢測，滿足在真實應用場景中的驗證與評估需求。②Lumos5G數據集。它是美國卡內基梅隆大學收集的在不同車載設備上運行的應用程序的吞吐量，許多研究將此數據集作為多任務機器學習實驗數據集。③CIC-Bell-DNS數據集。它是加拿大網絡安全研究項目使用的數據集之一，含有來自加拿大貝爾公司的域名系統（DNS）流量數據。

3 對比算法的遴選

為了展示聯邦多任務機器學習框架的優勢，本實驗選取以下三個同類型算法進行了比較：①TMC^[23]。此算法為每個任務學習一個分類器，然后以全局方式學習所有單個分類器的完整參數向量，使其能夠刻畫多任務之間的共性。②Ditto^[24]。此算法是一種可擴展的個性化聯邦多任務機器學習框架，適用于凸目標函數和非凸目標函數，并繼承了傳統聯邦學習的隱私和效率屬性。同時，此算法通過過濾一些沒有價值的更新參數，來實現公平性與準確性的平衡。③FedAvg。此算法是一種經典的聯邦平均算法，每個ES節點都會進行模型的訓練，并在訓練完成后將模型的參數自動上傳到服務器。然后，服務器計算所有收到的模型參數的平均值，并將其作為全局模型的參數。

四 實驗結果分析

為了綜合評估聯邦多任務機器學習框架在智慧教室隱私保護方面的性能，本實驗使用了四個評價指標：①多任務機器學習的公平性。本實驗將通過可視化呈現不同ES節點上的p與F1得分變化情況，來反映聯邦多任務機器學習框架中各節點任務訓練的公平性。②不同ES節點上的訓練時間。考慮到時間復雜度對多任務機器學習影響顯著，本實驗將探索多任務公平性模型在不同ES節點上的訓練時間是否存在差異。③不同公平性算法的準確性。為測試聯邦多任務機器學習框架的準確性，本實驗將對比同類型算法在不同ES節點上運行結果的F1得分。④聯邦多任務機器學習框架的隱私保護能力。本實驗將對智慧教室中各智能設備產生的數據進行異常檢測，以維護智慧教育環境的安全性并保護學生隱私。

1 多任務機器學習的公平性分析

不同ES節點上的p與F1得分變化情況如圖2所示。由于本研究采用了對偶上升算法，導致ES節點1上的任務訓練樣本數量逐步增加，這使得聯邦多任務機器學習框架更加專注于該任務，因此ES節點1上的p逐漸減小。同時，ES節點1上的F1得分隨著訓練迭代次數的增加而提高，這說明多任務公平性模型在ES節點1上是有效的。相較于ES節點1，ES節點2和ES節點3的上升曲線震蕩幅度更大，其F1得分也隨著迭代次數的增加而提高。可見，通過對偶算子p的變化，實現了每個節點任務訓練的公平性。

對不同ES節點上多任務公平性模型的隱空間進行任務區分，其可視化結果如圖3所示。圖3顯示，在不同ES節點上的多任務公平性模型可以比較清楚地區分不同的任務。可見，聯邦多任務機器學習框架在多任務學習的公平性方面表現較好。

2 不同ES節點上的訓練時間分析

各數據集在不同ES節點上的訓練時間如圖4所示，可以看出：①ES節點在相同數據集上的模型訓練時間接近，如在仿真數據集上的訓練時間分別為18分鐘（ES節點1）、19分鐘（ES節點2）、18.5分鐘（ES節點3），這表明聯邦多任務機器學習框架使ES節點上的多任務公平性模型實現了同步收斂且保持穩定。②ES節點在不同數據集上的模型訓練時間存在差異，原因主要在于不同數據集的內容復雜度、數據維度和結構不同。

不同版本的ADMM對多任務公平性模型損失值影響的消融實驗結果如圖5所示。其中no-ADMM表示沒有使用ADMM解耦，而是使用傳統的梯度更新和聯邦聚合；ADMM表示使用ADMM解耦；p-ADMM則表示將對偶算子p的求解應用于ADMM的解耦過程。圖5顯示，在no-ADMM情況下，模型的損失曲線震蕩幅度最大，說明模型收斂效果差；在ADMM情況下，模型損失值從0.38緩緩下降到0.34，說明在聯邦學習場景中使用ADMM可以使模型更具收斂性；而在p-ADMM情況下，模型損失值的下降速度更快，直到相對平穩，說明p-ADMM比no-ADMM、ADMM能夠使模型更加快速地收斂。

3 不同公平性算法的準確性分析

對多任務公平性模型、TMC、Ditto、FedAvg四種算法在各智能設備上運行的F1得分進行比較，結果如圖6所示，可以看出：與對比算法相比，多任務公平性模型在ES節點1、ES節點2上均獲得了更高的F1得分；通過過濾更新參數來實現公平性與準確性的Ditto算法，其表現優于TMC和FedAvg。此外，多任務公平性模型在ES節點3的大部分智能設備上也展現了更具競爭力的F1得分。然而，在智能手環的數據集上，Ditto算法的F1得分優于多任務公平性模型，這可能是由該節點智能手環的數據分布嚴重偏斜所致。

4 聯邦多任務學習框架的隱私保護能力分析

聯邦多任務機器學習框架在不同智能設備上的多任務異常檢測結果如表1所示，可以看出：聯邦多任務機器學習框架在不同智能設備上具有較高的召回率（＞0.95）、準確率（＞0.76）和F1得分（＞0.84），說明聯邦多任務機器學習框架能夠有效地檢測出不同智能設備產生的異常數據，并且在多個任務上表現出較好的性能。也就是說，在聯邦多任務機器學習框架下，聯合學習多個任務可以更好地滿足不同的學習需求。此外，聯邦多任務機器學習框架還能優化本地機器學習的準確性，說明此框架能夠在處理多個任務時實現公平性，且多任務機器學習的準確率較高。

異常數據監測能力意味著當遭遇數據泄露風險時，聯邦多任務機器學習框架能在多大程度上提供安全的隱私保護。對比服務端部署與沒有部署多任務公平性模型的異常數據檢測準確率，結果如表2所示。在學習智能平板數據的任務中，服務端部署多任務公平性模型的平均準確率（三個ES節點準確率的平均值）比沒有部署的高2.4%。同樣地，在學習其他設備數據的任務中，服務端部署多任務公平性模型的平均準確度也比沒有部署的高。由此可見，聯邦多任務機器學習框架在服務器節點添加多任務公平性模型的同時也提升了教育數據的隱私保護能力。

五 結語

本研究將聯邦學習應用于智慧教室環境，依托聯邦學習框架進行多任務公平性模型的部署與全局參數優化，提出了聯邦多任務機器學習框架，不僅實現了多任務機器學習準確性和公平性的平衡，而且具有較強的教育數據隱私保護能力。此框架的提出對于建設智慧教室有重要參考價值，有望提升智慧教室的隱私保護效果，并深化數據驅動教育改革的研究方向。但是，本研究使用模擬智慧教室場景的合成數據集進行實驗，其結果可能與真實場景存在一定的差異。對此，后續研究將從真實的智慧教室群中采集數據，探究兼顧公平性和準確性的動態平衡機制。

參考文獻

[1]教育部.高等學校數字校園建設規范（試行）》的通知[OL].

lt;https：//www.gov.cn/zhengce/zhengceku/2021-03/26/content_5595886.htmgt;

[2]教育部.教育部等六部門關于推進教育新型基礎設施建設構建高質量教育支撐體系的指導意見[OL].

lt;http：//www.moe.gov.cn/srcsite/A16/s3342/202107/t20210720_545783.htmlgt;

[3]林小紅，張君.如何保護教育數據隱私？[J].現代教育技術，2023，（5）：109-118.

[4]郭利明，朱遷踏，鄭勤華，等.基于聯邦學習的學生綜合素養評價數據共享與安全保護研究[J].中國電化教育，2022，（10）：56-63.

[5]李康康，袁萌，林凡.聯邦個性化學習推薦系統研究[J].現代教育技術，2022，（2）：118-126.

[6]Tutunov R， Kim D， Bou Ammar H. Distributed multitask reinforcement learning with quadratic convergence[A]. Proceedings of the 32nd International Conference on Neural Information Processing Systems[C]. New York： Curran Associates， 2018，31：8921-8930.

[7]Wang S， Tuor T， Salonidis T， et al. Adaptive federated learning in resource constrained edge computing systems[J]. IEEE Journal on Selected Areas in Communications， 2019，（6）：1205-1221.

[8]Bai L， Lin W， Gupta A， et al. From multitask gradient descent to gradient-free evolutionary multitasking： A proof of faster convergence[J]. IEEE Transactions on Cybernetics， 2021，（8）：8561-8573.

[9]Subramanya T， Riggio R. Centralized and federated learning for predictive VNF autoscaling in multi-domain 5G networks and beyond[J]. IEEE Transactions on Network and Service Management， 2021，（1）：63-78.

[10]Chen J， Yang L， Tan L， et al. Orthogonal channel attention-based multi-task learning for multi-view facial expression recognition[J]. Pattern Recognition， 2022，129：108753.

[11]Yang E， Pan J， Wang X， et al. Adatask： A task-aware adaptive learning rate approach to multi-task learning[A]. Proceedings of the AAAI Conference on Artificial Intelligence[C]. Washington DC， USA： AAAI Press， 2023：10745-10753.

[12]Ohno H. Auto-encoder-based generative models for data augmentation on regression problems[J]. Soft Computing， 2020，（11）：7999-8009.

[13]Taherkhani A， Cosma G， McGinnity T M. AdaBoost-CNN： An adaptive boosting algorithm for convolutional neural networks to classify multi-class imbalanced datasets using transfer learning[J]. Neurocomputing， 2020，404：351-366.

[14]彭常玲，石映輝，楊浩.智慧教室環境感知與互聯網自我效能感的關系研究[J].現代教育技術，2021，（4）：51-57.

[15]齊軍，趙虹艷.基于“5G+教育”的新型教學生態系統：構成、功能及構建策略[J].課程·教材·教法，2022，（4）：80-87.

[16]王曦.“互聯網+智慧校園”的立體架構及應用研究[J].中國電化教育，2016，（10）：107-111.

[17]Anshari M， Almunawar M N， Shahrill M， et al. Smartphones usage in the classrooms： Learning aid or interference？[J]. Education and Information Technologies， 2017，（6）：3063-3079.

[18]Bai L， Lin W， Gupta A， et al. From multitask gradient descent to gradient-free evolutionary multitasking： A proof of faster convergence[J]. IEEE Transactions on Cybernetics， 2021，（8）：8561-8573.

[19]李默妍.基于聯邦學習的教育數據挖掘隱私保護技術探索[J].電化教育研究，2020，（11）：94-100.

[20]Wang Y， Yin W， Zeng J. Global convergence of ADMM in nonconvex nonsmooth optimization[J]. Journal of Scientific Computing， 2019，（1）：29-63.

[21]Dennis D K， Li T， Smith V. Heterogeneity for the win： One-shot federated clustering[A]. Proceedings of the 38th International Conference on Machine Learning[C]. Brookline： Microtome Publishing， 2021：2611-2620.

[22]Kweon K， Gutierrez-estevez D M， Pujol-roig J， et al. Automated multi-service 5G session timer via AI-based network data analytics function[A]. 2020 IEEE Globecom Workshops[C]. Taipei， Taiwan： GC Wkshps， 2020：1-6.

[23]OGu X， Chung F L， Ishibuchi H， et al. Multitask coupled logistic regression and its fast implementation for large multitask datasets[J]. IEEE Transactions on Cybernetics， 2014，（9）：1953-1966.

[24]Li T， Hu S， Beirami A， et al. Ditto： Fair and robust federated learning through personalization[A]. Proceedings of the 38th International Conference on Machine Learning[C]. Brookline： Microtome Publishing， 2021：6357-6368.

Research on Privacy Protection in Smart Classrooms Based on Federated Multi-task Learning

YANG Yu-Nong¹""" XU Ao¹""" ZHANG Chun-Jiong²"" "XIE Tao^{3[Corresponding Author]}

（1. College of Computer and Information Science， Chongqing Normal University， Chongqing， China 401331;

2. AI Convergence Network Department， Asia University， Suwon， South Korea 16499;

3. Faculty of Education， Southwest University， Chongqing， China 400715）

Abstract： In the 5G era， with the increase of networked devices， data transmission in smart classrooms has become extremely complex， and it is of significant importance to apply federated learning to the privacy protection of smart classrooms. Although existing federated learning techniques have made positive progress in balancing fairness and accuracy， they have not gone far enough in the aspect of addressing privacy protection questions in smart classroom scenarios. Based on this， the paper firstly analyzed the multi-task learning scenarios in smart classrooms and established a multi-task machine learning fairness model suitable for the smart classrooms. Subsequently， the privacy protection strategy for smart classrooms under the federated learning framework was proposed， namely the federated multi-task machine learning framework. In order to verify the effectiveness of this framework， the computer simulation experiments were carried out in this paper. The experimental results showed that the federal multi-task machine learning framework not only achieved a balance between fairness and accuracy in multi-task machine learning， but also had strong privacy protection capabilities. The research of this paper could provide important reference for the privacy protection of educational data and strongly propel the digital transformation in education.

Keywords： smart classroom; federated learning; privacy protection; multi-task machine learning

*基金項目：本研究為2022年國家自然科學基金項目“面向多視圖教育數據的共享簇結構挖掘”（項目編號：62277043）、2024年重慶市教委科學技術研究項目“數字教育場景下隱私應用與可信學習研究”（項目編號：KJZD-K202300515）的階段性研究成果。

作者簡介：楊雨濃，副研究員，博士，研究方向為智慧教育技術與應用，郵箱為yangyunong@cqnu.edu.cn。

收稿日期：2024年4月12日

編輯：小方