Decentralised Federated Learning Framework for Privacy-Preserving Medical Insurance and Sustainable Rural Economic Development in Tamil Nadu

Resumen Técnico: Marco de Aprendizaje Federado Descentralizado para el Seguro Médico Preservación de la Privacidad

Planteamiento del Problema
El emprendimiento de seguros médicos rurales en la India, particularmente en Tamil Nadu, enfrenta un cuello de botella crítico: datos de salud fragmentados y aislados. Los agentes de seguros, los centros de atención primaria de salud y las microaseguradoras cooperativas poseen datos de clientes, pero no pueden agruparlos legal o prácticamente debido a preocupaciones de privacidad y restricciones regulatorias. Este aislamiento de datos impide el entrenamiento de modelos de evaluación de riesgos precisos y equitativos, lo que obstaculiza el desarrollo del Insurtech rural. Si bien el Aprendizaje Federado (FL, por sus siglas en inglés) ofrece una solución teórica al permitir el entrenamiento colaborativo de modelos sin centralizar los datos brutos, las implementaciones existentes a menudo no logran abordar las compensaciones específicas entre las garantías de privacidad, la precisión del modelo y la heterogeneidad de las distribuciones de datos rurales. Además, las afirmaciones previas de equivalencia "sin costo" entre los modelos federados y centralizados han sido cuestionadas respecto al rigor de la contabilidad de la privacidad y la validación estadística.

Metodología
El artículo propone y evalúa TW-DP-FedAvg, una arquitectura federada que integra la Privacidad Diferencial (DP) Gaussiana con recorte de gradiente y una regla de agregación ponderada por confianza. El estudio aborda tres brechas metodológicas específicas identificadas en trabajos previos:

1. Contabilidad de Privacidad Rigurosa: En lugar de reportar parámetros de privacidad por ronda no compuestos, los autores fijan un presupuesto total de privacidad ($\epsilon_{total} = 8$) a través de 40 rondas de comunicación. Utilizando el Teorema de Composición Avanzada, derivan un presupuesto por ronda más estricto ($\epsilon_0 \approx 0.207$) para asegurar que la garantía de privacidad acumulada sea defendible.
2. Agregación Ponderada por Confianza: El marco pondera las actualizaciones de los clientes basándose en una métrica de confianza ($trust_c = 1/(1 + BCE_c)$), donde $BCE_c$ es la pérdida de entropía cruzada binaria local, multiplicada por el tamaño de la muestra local.
3. Diseño Experimental:
   • Conjuntos de Datos: Debido a la falta de registros reales de seguros de Tamil Nadu rural, el estudio utiliza dos referentes públicos: el Medical Cost Personal Dataset ($n=1,338$) y el Pima Indians Diabetes Dataset ($n=768$).
   • Partición: Los datos se particionan en cinco fragmentos de distritos simulados utilizando una distribución de Dirichlet ($\alpha$) para modelar datos no IID (heterogéneos), reemplazando las divisiones ad-hoc anteriores.
   • Validación Estadística: El estudio emplea Pruebas de una Sola Cara Dos (TOST) para la prueba de equivalencia con límites de $\pm 3$ puntos porcentuales de precisión, junto con pruebas t pareadas, pruebas de Wilcoxon de suma de rangos y tamaños de efecto de Cohen's $d$.
   • Ablación: Un estudio de ablación de $2 \times 2$ aísla los efectos independientes del mecanismo de DP y la regla de ponderación por confianza.

Resultos Clave
El análisis revisado arroja conclusiones más conservadoras y estadísticamente robustas en comparación con la entrega original:

• Compensación entre Precisión y Privacidad: Bajo el presupuesto de privacidad corregido y compuesto, el modelo federado incurre en un costo de precisión mensurable frente a una línea base centralizada.
  • En el conjunto de datos Medical Cost, TW-DP-FevAvg logró un 81.7% de precisión frente al 88.8% de la línea base centralizada (una brecha del 7.1%). La diferencia es estadísticamente significativa ($p=0.046$), y la prueba de equivalencia TOST falló en establecer que el modelo federado esté dentro del umbral de $\pm 3\%$ del modelo centralizado ($p=0.893$).
  • En el conjunto de datos Pima Diabetes, la brecha de precisión fue insignificante (71.1% vs 71.4%), pero la puntuación F1 para la clase minoritaria cayó significativamente (0.366 vs 0.612) bajo el presupuesto de privacidad más estricto, indicando un impacto negativo en la exhaustividad (recall).
• Hallazgos de Ablación: La penalización de la precisión es impulsada principalmente por el mecanismo de Privacidad Diferencial (inyección de ruido), no por la regla de ponderación por confianza. La agregación ponderada por confianza se desempeñó de manera comparable a la ponderación estándar por tamaño de muestra en términos de precisión bruta.
• Impacto de la Heterogeneidad: El Índice de Inclusión del Ecosistema (EIS) propuesto demostró una disminución monotónica a medida que la heterogeneidad de los datos aumentaba (el $\alpha$ de Dirichlet disminuía). El EIS cayó de 0.970 (baja heterogeneidad) a 0.868 (alta heterogeneidad) en el benchmark de Medical Cost, confirmando la sensibilidad de la métrica a las estructuras de datos no IID.

Significancia y Reivindicaciones
El artículo posiciona a TW-DP-FedAvg no como un reemplazo perfecto y gratuito de la analítica centralizada, sino como una infraestructura a nivel de ecosistema que requiere una compensación consciente.

• Reivindicación Revisada: El estudio retrae explícitamente las afirmaciones de "equivalencia" entre los modelos federados y centralizados bajo un presupuesto de privacidad defendible. En su lugar, establece que el entrenamiento federado conlleva un costo de precisión mensurable.
• Contexto Político y Emprendedor: Los hallazgos están fundamentados en la Ley de Protección de Datos Personales Digitales (DPDPA) 2023 de la India y el sandbox regulatorio de la IRDAI. Los autores argumentan que, si bien la tecnología ofrece un camino para que el Insurtech rural colabore sin centralizar datos sensibles, las partes interesadas (reguladores y emprendedores) deben reconocer la penalización de precisión.
• Limitaciones: Los autores enfatizan que el estudio es una prueba de concepto técnica utilizando conjuntos de datos proxy. No valida la economía unitaria, la viabilidad empresarial ni el despliegue en campo con intermediarios rurales reales. La discusión sobre los ecosistemas emprendedores es una extrapolación conceptual, señalando que la infraestructura por sí sola es insuficiente para catalizar la emergencia de un ecosistema sin abordar los canales de financiamiento, mentoría y distribución.

En resumen, el artículo proporciona una evaluación rigurosa y corregida de un marco de aprendizaje federado que preserva la privacidad, demostrando que, si bien permite la colaboración de datos en mercados rurales fragmentados, lo hace a expensas del rendimiento predictivo, una compensación que debe ser gestionada por futuros participantes regulatorios y de mercado.