边缘计算架构下学生学习态势实时分析与个性化路径的联邦迁移学习算法研究

摘要

在教育数字化背景下，传统基于云端的学情分析存在实时性不足、数据隐私风险及跨域适配困难等挑战。本研究提出三级算法体系，构建包含边缘预处理、联邦优化与迁移适配的协同架构：边缘层实现多模态数据的轻量化特征提取；联邦层采用FedProx算法结合差分隐私与同态加密确保跨校协作安全；迁移层通过域对抗训练与知识图谱强化学习实现跨域特征对齐与个性化学习路径生成。实验表明，该算法在边缘端实现低延迟推断，有效提升跨域推荐精度并降低隐私风险，为教育智能化提供实用技术方案。