(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111354728.0 (22)申请日 2021.11.16 (71)申请人 中国人民武装警察部队工程大 学 地址 710086 陕西省西安市未央区武警路1 号 (72)发明人 张荣荣　高志强　张凯　鲁晓阳　 (74)专利代理 机构 西安众和至成知识产权代理 事务所(普通 合伙) 61249 代理人 行博宇 (51)Int.Cl. G06Q 50/20(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于联邦学习的教育数据分析方法 (57)摘要 本发明公开了一种基于联邦学习的教育数 据分析方法， 针对多院校教育数据孤岛的问题， 建立包括云端聚合模块、 本地处理模块和数据采 集模块的云域 ‑边域‑端域的教育数据分析框架， 云域通过云端聚合模块进行云计算， 边域通过本 地处理模块进行各个院校节点的院校自主数据 处理的边缘计算， 端域通过数据采集模块进行本 地计算， 在边域 ‑端域间采用面向边缘智能的联 邦分析策略进行本地化数据分析， 在边域 ‑云域 间采用基于跨域多模态教育数据的联邦分析策 略融合多模态数据， 可以有效解决数据孤岛的问 题， 对于整合院校教育教学数据， 为领导作出决 策部署提供帮助， 具有重要的应用价 值。 权利要求书2页 说明书9页 附图5页 CN 114066691 A 2022.02.18 CN 114066691 A 1.一种基于联邦学习的教育数据分析 方法， 其特 征在于， 包括： 使用横向联邦学习， 根据多院校 ‑院校‑个人的管理层级， 以客户 ‑服务器架构方式建立 包括云端聚合模块、 本地处理模块和数据采集模块的云域 ‑边域‑端域的教育数据分析框 架； 云域通过云端聚合模块进行云计算， 边域通过本地处理模块进行各个院校节点的院校 自主数据处理的边缘计算， 端域通过数据采集模块进 行本地计算， 在边域 ‑端域间采用面向 边缘智能的联邦分析策略进行本地化数据分析， 在边域 ‑云域间采用基于跨域多模态教育 数据的联邦分析 策略融合多模态数据； 各个院校节点的本地处理模块获取数据采集模块的本地数据并计算梯度信 息， 对梯度 信息进行加密后发送至 云端聚合模块， 云端聚合模块进行安全聚合并将聚合后的梯度信息 发送给各个院校节点的本地处理模块， 本地处理模块对聚合后的梯度信息解密后对本地模 型参数进行更新， 以上步骤不断迭代运行， 直至损失函数收敛或者达到预设的迭代 次数或 者训练时间。 2.根据权利要求1所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述边 域‑端域间采用面向边缘智能的联邦 分析策略， 以智能下沉为目标， 利用轻量级深度神经网 络模型直接面向智能终端设备进行本地 化数据分析。 3.根据权利要求1所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述本 地处理模块处 理过程包括： 1)从云端聚合模块接收模型参数ω； 2)重复以下步骤： 2.1)使用模型参数ω和本地数据计算梯度g； 2.2)本地更新模型参数： ω ←ω‑α·g， α 为步长； 3)发送 至云端聚合模块。 4.根据权利要求3所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述本 地处理模块训练时采 取Federated  Averaging算法进行训练， 以线性回归为核心， 依据损失 函数不断进行梯度下降， 不断迭代至损失函数达 到最小值。 5.根据权利要求1所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述云 端聚合模块处 理过程包括： 1)将原始模型参数分配给 各个院校节点； 2)从N个院校节点接收 3)更新模型参数 6.根据权利要求1所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述数 据采集模块采用包括专用终端和通用移动终端 进行本地计算。 7.根据权利要求6所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述数 据采集模块将采集的数据建立数据集， 包括组织机构、 人员、 学科课程、 教学计划、 教学日 志、 考务成绩、 教学 科研学术和其 他数据。 8.根据权利要求1所述的一种基于联邦学习的教育数据分析方法， 其特征在于， 所述方 法在模型训练过程中， 云端聚合模块将初始模 型通过websocket广播给每个院校节 点， 每个 院校节点根据训练配置在本地数据上训练模型， 然后 将训练更新后模型参数反馈云端聚合权　利　要　求　书 1/2 页 2 CN 114066691 A 2模块； 云端聚合模块利用联邦平均算法聚合从各院校节点收到的模型， 并将聚合后的模型 广播给各院校节点， 进行 下一轮训练。权　利　要　求　书 2/2 页 3 CN 114066691 A 3