כתבה
arXiv cs.CL ·
הפרדת פרטים במערכות חינוך: פרוטוקול פדרטיבי לאינפרנסה של LLM
Privacy-Preserving Heterogeneous Multi-LLM Federated Inference for Cognitive Diagnosis
מערכת פדרטיבית לאינפרנסה של LLM לאבחון קוגניטיבי, עם הפרדת פרטים. המערכת משתמשת במודלי LLM שונים, כולל LLaMA, GPT-4o-mini ו-Claude-3-Haiku, ומשלבת טכניקה של פרטיות דיפרנציאלית להגנה על נתוני התלמידים. המערכת נבדקה בשלושה בסיסי חינוך והוכיחה עצמה כמערכת יעילה וכרות-תחומית.
תקציר מקורי באנגליתarXiv:2609.02947v1 Announce Type: cross Abstract: Significant challenges remain in AI-driven educational systems in balancing privacy preservation with accurate cognitive diagnosis. To overcome this, we propose a federated inference framework in which several commercial LLM APIs collaborate without requiring access to raw student data or proprietary model internals. Using multiple federated entities, such as LLaMA-3.3-70B, GPT-4o-mini, and Claude-3-Haiku, our framework builds upon a heterogeneous multi-LLM architecture. The predictions generated by these entities are combined with epsilon-local differential privacy by adding Laplace noise locally to each entity's prediction output before aggregation, while residual-based aggregation mitigates model heterogeneity. Our approach is predicated
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית