A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx
यह शोध पत्र कार्डियोवैस्कुलर जोखिम भविष्यवाणी के लिए उच्च रिकॉल (>77%) प्राप्त करने हेतु एक मजबूत गोपनीयता गारंटी (एप्सिलॉन 9.0) बनाए रखते हुए, क्लाइंट-स्तरीय SMOTETomek रीसैंपलिंग और एक अनुकूलित FedProx एल्गोरिदम को संयोजित करता है, जो असंतुलित नैदानिक डेटा पर डिफरेंशियल प्राइवेट फेडरेटेड लर्निंग के लिए एक सुदृढ़ ढांचा प्रस्तुत करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ अस्पताल मिलकर एक सुपर-स्मार्ट डॉक्टर सहायक बना सकें, जो लाखों मरीजों से सीखकर बीमारियों का जल्दी पता लगा सके। समस्या यह है कि मरीजों के रिकॉर्ड अनमोल, गुप्त खजानों की तरह हैं जो अलग-अलग तिजोरियों में बंद हैं। GDPR और HIPAA जैसे कानून का अर्थ है कि इन तिजोरियों को खोला या एक विशाल ढेर में मिलाया नहीं जा सकता; डेटा वहीं रहना चाहिए जहाँ वह रहता है। यहाँ आता है फेडरेटेड लर्निंग (Federated Learning), एक चतुर तरकीब जहाँ कंप्यूटर का "मस्तिष्क" डेटा के बजाय उन तिजोरियों तक पहुँचता है। प्रत्येक अस्पताल अपने स्वयं के स्थानीय डेटा पर मॉडल के एक हिस्से को प्रशिक्षित करता है और केवल सीखे गए सबक वापस भेजता है, न कि गुप्त जानकारी।
लेकिन इसमें एक पेंच है। यह सुनिश्चित करने के लिए कि कोई भी उन सीखों से किसी विशिष्ट मरीज की पहचान चुराने के लिए रिवर्स-इंजीनियरिंग न कर सके, वैज्ञानिक डिफरेंशियल प्राइवेसी (Differential Privacy) की एक परत जोड़ते हैं। इसे सबक भेजने से पहले उसमें थोड़ा सा "स्टैटिक" या "शोर" (noise) जोड़ने के रूप में समझें। यह एक दोस्त को रहस्य बताने जैसा है जबकि पास में कोई दूसरा चिल्ला रहा हो; दोस्त संदेश सुन लेता है, लेकिन सुनने वाला व्यक्ति (eavesdropper) यह सुनिश्चित नहीं कर पाता कि वास्तव में क्या कहा गया था। बड़ा सवाल यह है कि: हम कितना शोर जोड़ सकते हैं इससे पहले कि संदेश अस्पष्ट और बेकार हो जाए? यह "प्राइवेसी-यूटिलिटी ट्रेड-ऑफ" (privacy-utility trade-off) है। यदि हम अत्यधिक सुरक्षित होने के लिए बहुत अधिक शोर जोड़ते हैं, तो मॉडल इतना भ्रमित हो सकता है कि वह काम करना बंद कर दे। यदि हम बहुत कम शोर जोड़ते हैं, तो रहस्य खतरे में पड़ सकते हैं। यह विशेष रूप से तब कठिन हो जाता है जब डेटा "इम्बैलेंस्ड" (imbalanced) होता है, जिसका अर्थ है कि हजारों स्वस्थ मरीज हैं लेकिन बीमार मरीजों की संख्या बहुत कम है, जिससे मॉडल आलसी होकर केवल यह अनुमान लगाने लगता है कि "हर कोई स्वस्थ है।"
यह शोध पत्र ठीक इसी उलझन को सुलझाता है। शोधकर्ताओं ने हृदय संबंधी जोखिमों (जैसे स्ट्रोक) की भविष्यवाणी करने के लिए एक फेडरेटेड लर्निंग सिस्टम बनाने की कोशिश की, जिसमें डेटा निजी भी था और अत्यधिक असंतुलित (imbalanced) भी। उन्होंने पाया कि यदि आप केवल मानक तरीकों का उपयोग करते हैं, तो सिस्टम बुरी तरह विफल हो जाता है: बीमार मरीजों की कमी के कारण यह इतना भ्रमित हो जाता है कि यह सभी के लिए "कोई भी बीमार नहीं है" का अनुमान लगाने लगता है, जिससे वास्तविक मामलों को पकड़ने की इसकी क्षमता शून्य हो जाती है। इसे ठीक करने के लिए, उन्होंने दो मुख्य अपग्रेडों के साथ एक मजबूत पाइपलाइन बनाई। सबसे पहले, उन्होंने प्रशिक्षण से पहले तराजू को संतुलित करने के लिए प्रत्येक अस्पताल में दुर्लभ बीमार मरीजों के अधिक उदाहरण कृत्रिम रूप से बनाने के लिए SMOTETomek नामक तकनीक का उपयोग किया। दूसरा, उन्होंने मानक प्रशिक्षण एल्गोरिदम को बदलकर FedProx का उपयोग किया, जो एक कोमल मार्गदर्शक की तरह कार्य करता है ताकि स्थानीय मॉडल एक-दूसरे से बहुत दूर न भटकें जब डेटा प्रत्येक अस्पताल में अलग दिखता है।
परिणाम एक काम करने वाली प्रणाली है जो प्राइवेसी-यूटिलिटी की बारीक रेखा पर सफलतापूर्वक चलती है। लेखकों ने मापा कि विभिन्न स्तरों के प्राइवेसी "शोर" पर मॉडल ने कितनी अच्छी तरह काम किया। उन्होंने पाया कि एक "स्वीट स्पॉट" (sweet spot) है जहाँ प्राइवेसी बजट (एक संख्या जिसे कहा जाता है) लगभग 9.0 है। इस स्तर पर, मॉडल मजबूत गोपनीयता गारंटी बनाए रखते हुए भी चिकित्सकीय रूप से उपयोगी बना रहता है। अपने परीक्षणों में, मॉडल ने लगभग 77% वास्तविक जोखिम वाले मरीजों (रिकॉल) की सफलतापूर्वक पहचान की और एक डिस्क्रिमिनेटिव पावर स्कोर (ROC-AUC) लगभग 0.82 प्राप्त किया। यह शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि मानक फेडरेटेड लर्निंग इस प्रकार के अव्यवस्थित, वास्तविक दुनिया के डेटा के लिए सीधे तौर पर काम करती है, यह दिखाते हुए कि उनके विशिष्ट संतुलन और स्थिरीकरण चरणों के बिना, मॉडल विफल हो जाता है। हालांकि प्राइवेसी बजट 9.0 शुद्ध गणितीय सिद्धांत में चर्चा किए जाने वाले अत्यंत सख्त नंबरों की तुलना में अधिक उदार है, लेखक तर्क देते हैं कि यह वास्तविक स्वास्थ्य देखभाल अनुप्रयोगों के लिए एक व्यावहारिक, सुरक्षित और प्रभावी ऑपरेटिंग पॉइंट है, जो यह सिद्ध करता है कि आप सुरक्षा और जीवन बचाने वाले मॉडल, दोनों को एक साथ रख सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।