Résumé Technique : FPLIER – Extracteur d'Informations au Niveau des Voies de Signalisation Fédéré

1. Énoncé du Problème

En transcriptomique, les méthodes de factorisation conscientes des ensembles de gènes, telles que l'Extracteur d'Informations au Niveau des Voies de Signalisation (PLIER), atteignent des performances optimales lorsqu'elles sont entraînées sur de grands compendiums d'expression hétérogènes. Cependant, de nombreuses cohortes cliniquement pertinentes ne peuvent pas être regroupées dans un seul jeu de données centralisé en raison de préoccupations liées à la confidentialité, d'exigences réglementaires et de politiques de gouvernance des données. Bien que l'apprentissage fédéré (FL) offre un cadre pour un entraînement collaboratif sans regroupement de données, les flux de travail FL standards (conçus pour l'apprentissage profond avec des mises à jour basées sur le gradient) ne s'alignent pas naturellement avec PLIER. PLIER repose sur des mises à jour algébriques linéaires sous forme fermée et des contraintes structurelles basées sur des ensembles de gènes, nécessitant une reformulation dédiée pour fonctionner dans un environnement distribué. De plus, il est nécessaire de comprendre les risques de confidentialité d'une telle factorisation de matrices fédérée, spécifiquement en ce qui concerne les attaques par inférence d'appartenance, qui ont été moins étudiées dans ce contexte par rapport à l'apprentissage profond.

2. Méthodologie

2.1. Le Cadre FPLIER

FPLIER est une reformulation fédérée de PLIER conçue pour permettre un entraînement collaboratif entre plusieurs détenteurs de données tout en maintenant les données brutes d'expression des gènes en local. Le protocole opère sous un modèle de menace honnête mais curieux, où le serveur et les clients suivent le protocole mais peuvent tenter d'inférer des informations supplémentaires à partir des quantités observées.

Mécanisme Central :

• Partitionnement des Données : La matrice d'expression des gènes $Y$ est partitionnée par colonnes (échantillons) à travers $N$ clients. Chaque client $i$ détient un jeu de données privé $Y^{priv}_i$ et se voit attribuer un fragment d'un jeu de données public partagé $Y^{pub}_i$.
• Variables Globales vs Locales :
  • Local : Chaque client conserve sa matrice d'expression $Y_i$ et la représentation latente correspondante $B_i$ localement. Ces éléments ne sont jamais partagés.
  • Global : La matrice de chargement des gènes $Z$, la matrice d'association des ensembles de gènes $U$ et la matrice d'appartenance aux ensembles de gènes $C$ sont des paramètres globaux partagés au sein du consortium.
• Agrégation Sécurisée : Les mises à jour d'entraînement dans PLIER dépendent de produits matriciels tels que $YY^\top$, $YB^\top$ et $BB^\top$. Dans FPLIER, ces quantités sont calculées de manière additive à travers les clients ($\sum Y_i Y_i^\top$, etc.) en utilisant le protocole SecAgg+. Cela garantit que le serveur ne voit que la somme agrégée, et non les contributions individuelles des clients.
• Équivalence Algébrique : Puisque les mises à jour dépendent des données uniquement par le biais de ces sommes agrégées, FPLIER produit des mises à jour d'entraînement qui sont algébriquement équivalentes à une approche PLIER centralisée (à de légères différences numériques près), préservant ainsi la structure mathématique de la méthode originale.

Phases du Protocole :

1. Étapes Préliminaires : Le serveur distribue des fragments de données publiques aux clients. Les clients concatènent leurs données privées avec leur fragment public, effectuent des séparations locales d'entraînement/ensemble de validation et participent à une standardisation par score-z fédérée.
2. Entraînement Fédéré : Les clients mettent à jour itérativement les matrices locales et agrègent de manière sécurisée les produits matriciels nécessaires pour mettre à jour les paramètres globaux $Z$ et $U$.
3. Évaluation Post-Diffusion (Optionnelle) : Les clients peuvent évaluer localement la sensibilité du modèle aux attaques par inférence d'appartenance en utilisant leurs ensembles de validation avant que le modèle ne soit diffusé.

2.2. Stratégie d'Évaluation de la Confidentialité

Les auteurs évaluent le risque de confidentialité via des attaques par inférence d'appartenance dans deux contextes :

1. Attaque pendant l'Entraînement : Un serveur honnête mais curieux tente de déterminer si un échantillon spécifique faisait partie de l'ensemble d'entraînement en utilisant la matrice agrégée de type covariance $YY^\top$ observée lors de l'initialisation. L'attaque utilise l'analyse en composantes principales (PCA) sur $YY^\top$ pour projeter les échantillons candidats ; les échantillons d'entraînement produisent généralement des résidus de reconstruction plus faibles.
2. Attaque Post-Diffusion : Un adversaire externe utilise les paramètres du modèle diffusé ($Z$ et $\lambda_2$) pour reconstruire des échantillons et mesurer la corrélation de rang de Spearman entre les profils originaux et reconstruits.

3. Contributions Clés

• Formulation FPLIER : La première formulation fédérée d'une méthode de factorisation consciente des ensembles de gènes pour l'analyse transcriptomique, adaptant spécifiquement la procédure d'optimisation de PLIER pour un entraînement distribué.
• Validation Empirique : Démonstration que FPLIER converge de manière stable et produit des décompositions statistiquement indiscernables de PLIER centralisé à travers des consortiums simulés (configurations K–CLIER et MultiPLIER).
• Analyse Confidentialité-Rang : Une analyse systématique révélant que le risque d'inférence d'appartenance est régi par le rang de la matrice d'expression d'entraînement. L'étude identifie que l'augmentation du ratio échantillons/variables ($n/p$) ou l'intégration de données publiques déplace le système vers un « régime de rang complet », où les échantillons d'entraînement et non-entraînement deviennent indiscernables pour les attaquants.
• Nouvelle Analyse Post-Diffusion : La première présentation des risques d'inférence d'appartenance pour les modèles PLIER centraux standards entraînés, montrant que les mêmes principes basés sur le rang s'appliquent aux modèles diffusés.

4. Résultats Expérimentaux

Les auteurs ont évalué FPLIER en utilisant des jeux de données des études K–CLIER (biologie rénale) et MultiPLIER (transcriptomique générale), simulant des consortiums fédérés avec des proportions variables de données publiques (de 0 % à 100 %).

• Utilité du Modèle : FPLIER a convergé de manière fiable. Les tests de Kolmogorov–Smirnov sur les corrélations de reconstruction gène par gène n'ont montré aucune différence statistiquement significative entre FPLIER et PLIER centralisé.
• Attaques pendant l'Entraînement :
  • Dans les régimes de rang déficient (faible $n/p$, peu de données publiques), le serveur pouvait atteindre un AUROC quasi parfait (proche de 1,0) pour distinguer les échantillons d'entraînement des échantillons de validation.
  • À mesure que des données publiques étaient ajoutées ou que la dimensionalité était réduite, $n/p$ augmentait. Une fois que le système approchait le régime de rang complet ($n/p \approx 1$), la performance de l'attaque chutait brusquement vers une devinette aléatoire (AUROC $\approx 0,5$).
• Attaques Post-Diffusion :
  • Des tendances similaires ont été observées : l'efficacité de l'attaque diminuait à mesure que le rang des données d'entraînement augmentait.
  • Cependant, les attaques post-diffusion étaient généralement moins efficaces que les attaques pendant l'entraînement et présentaient plus de variabilité entre les clients, probablement en raison de l'influence de la régularisation et des contraintes d'ensembles de gènes sur l'espace latent.
• Réduction de Dimensionnalité : La réduction de l'espace des caractéristiques (par exemple, à 2 000 gènes dans K–CLIER) a déplacé le système vers un régime de rang complet à des tailles d'échantillons plus petites, atténuant considérablement l'efficacité des attaques.

5. Importance et Revendications

L'article revendique que FPLIER fournit une solution pragmatique et proportionnée pour l'analyse transcriptomique collaborative face aux contraintes de gouvernance des données. Sa principale importance réside dans :

1. Permettre la Collaboration : Il permet aux institutions de tirer parti simultanément de grands jeux de données publiques hétérogènes et de cohortes privées sans centraliser de données brutes sensibles, en adhérant à des cadres réglementaires comme le RGPD.
2. Définir les Limites de la Confidentialité : Le travail établit que pour les méthodes de factorisation de matrices comme PLIER, la confidentialité n'est pas un binaire absolu mais une fonction du rang des données. Il fournit une directive pratique : les consortiums devraient viser à opérer dans un régime de rang complet (atteint via l'intégration de données publiques ou la réduction de dimensionalité) pour atténuer naturellement les risques d'inférence d'appartenance sans nécessairement recourir à la confidentialité différentielle, qui peut dégrader l'utilité du modèle.
3. Garanties Opérationnelles : Le protocole inclut un mécanisme intégré permettant aux clients d'évaluer localement le risque de confidentialité avant la diffusion du modèle, leur permettant de bloquer la diffusion si le modèle s'avère trop sensible à leur distribution de données spécifique.

Les auteurs adoptent une position modeste, notant que leurs garanties de confidentialité sont empiriques plutôt que formelles (contrairement à la confidentialité différentielle) et que l'étude se limite à un modèle de menace honnête mais curieux. Ils suggèrent que des travaux futurs pourraient intégrer des mécanismes de confidentialité formels et explorer la décomposition en valeurs singulières fédérée pour réduire davantage l'exposition lors de l'initialisation.