新框架以本地差分隐私融合多LLM实现认知诊断
研究提出联邦推理框架，允许LLM API在无需原始学生数据或模型内部信息的情况下协作，实现隐私保护与准确性的平衡。
AI解读：这项研究针对AI教育系统中隐私保护与认知诊断准确性难以兼顾的问题，提出了一种联邦推理框架。其核心在于让多个商业大语言模型（如GPT-4o-mini、Claude-3-Haiku）在本地对各自预测添加Laplace噪声（实现ε-本地差分隐私），再通过残差聚合机制融合结果。这样既能利用多模型的能力，又无需共享原始学生数据或模型参数。对开发者或教育平台而言，这意味着可以在不暴露敏感信息的前提下，借助更强大的模型组合进行诊断；但该方案基于“诚实但好奇”的信任假设，即API提供商不会滥用查询，且医疗或教育场景的私有部署仍需谨慎评估这一假设。
一项发表于arXiv的研究（编号2609.02947）提出了一种联邦推理框架，让多个商业大语言模型（LLM）API协作完成认知诊断，同时不接触原始学生数据或专有模型内部信息。
该框架采用异构多LLM架构，整合了LLaMA-3.3-70B、GPT-4o-mini和Claude-3-Haiku等不同模型，以ε-本地差分隐私方式在本地对每个模型的预测添加Laplace噪声，再通过基于残差的聚合方法减轻模型异构性影响。
隐私与信任假设
研究基于“诚实但好奇”的信任范式，假设API提供商不会滥用提交的查询。差分隐私机制用于保护最终发布的诊断结果，防止外部推断。
实验部分进行了严格的隐私效用分析，显示在准确性损失最小的情况下提供较强的隐私保障，并在三个教育基准上进行了真实世界评估，验证了框架的实用性和跨领域泛化能力。