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

Sintesi Tecnica: Framework di Apprendimento Federato Decentralizzato per la Protezione della Privacy nelle Assicurazioni Sanitarie

Problematica
L'imprenditorialità nell'assicurazione sanitaria rurale in India, in particolare nel Tamil Nadu, affronta un collo di bottiglia critico: i dati sanitari frammentati e isolati. Gli agenti assicurativi, i centri sanitari primari e le micro-assicurazioni cooperative possiedono dati dei clienti, ma non possono aggregarli legalmente o praticamente a causa delle preoccupazioni sulla privacy e dei vincoli normativi. Questa isolazione dei dati impedisce l'addestramento di modelli di valutazione del rischio accurati ed equi, ostacolando lo sviluppo della Insurtech rurale. Sebbene l'Apprendimento Federato (FL) offra una soluzione teorica consentendo l'addestramento collaborativo dei modelli senza centralizzare i dati grezzi, le implementazioni esistenti spesso non riescono a gestire i compromessi specifici tra garanzie di privacy, accuratezza del modello e eterogeneità delle distribuzioni dei dati rurali. Inoltre, precedenti rivendicazioni di equivalenza "senza costi" tra modelli federati e centralizzati sono state messe in discussione per quanto riguarda il rigore della contabilità della privacy e la validazione statistica.

Metodologia
Il documento propone e valuta TW-DP-FedAvg, un'architettura federata che integra la Differenziale Privacy (DP) gaussiana con clipping del gradiente e una regola di aggregazione dei client basata sul peso della fiducia (trust-weighted). Lo studio affronta tre lacune metodologiche specifiche identificate nei lavori precedenti:

1. Contabilità Rigorosa della Privacy: Inveve di riportare parametri di privacy per round non composti, gli autori fissano un budget di privacy totale ($\epsilon_{total} = 8$) su 40 round di comunicazione. Utilizzando il Teorema di Composizione Avanzata, derivano un budget per round più rigoroso ($\epsilon_0 \approx 0.207$) per garantire che la garanzia cumulativa della privacy sia difendibile.
2. Aggregazione Basata sulla Fiducia (Trust-Weighted): Il framework pesa gli aggiornamenti dei client in base a una metrica di fiducia ($trust_c = 1/(1 + BCE_c)$), dove $BCE_c$ è la perdita locale di cross-entropia binaria, moltiplicata per la dimensione del campione locale.
3. Design Sperimentale:
   • Dataset: A causa della mancanza di registri reali delle assicurazioni del Tamil Nadu rurale, lo studio utilizza due benchmark pubblici: il Medical Cost Personal Dataset ($n=1.338$) e il Pima Indians Diabetes Dataset ($n=768$).
   • Partizionamento: I dati sono partizionati in cinque shard distrettuali simulati utilizzando una distribuzione di Dirichlet ($\alpha$) per modellare i dati non-IID (eterogenei), sostituendo le precedenti divisioni ad hoc.
   • Validazione Statistica: Lo studio impiega i Test a Singola Lato Due (TOST) per il test di equivalenza con limiti di $\pm 3$ punti percentuali di accuratezza, insieme a t-test accoppiati, test di Wilcoxon signed-rank e dimensioni dell'effetto di Cohen $d$.
   • Ablazione: Uno studio di ablazione $2 \times 2$ isola gli effetti indipendenti del meccanismo DP e della regola di aggregazione basata sulla fiducia.

Risultati Chiave
L'analisi riveduta produce conclusioni più conservative e statisticamente robuste rispetto alla sottomissione originale:

• Compromesso Accuratezza vs. Privacy: Sotto il budget di privacy corretto e composto, il modello federato incorre in un costo misurabile di accuratezza rispetto a un baseline centralizzato.
  • Sul dataset Medical Cost, TW-DP-FedAvg ha raggiunto un'accuratezza dell'81,7% rispetto all'88,8% del baseline centralizzato (un divario del 7,1%). La differenza è statisticamente significativa ($p=0,046$), e il test di equivalenza TOST non è riuscito a stabilire che il modello federato rientri nella soglia di $\pm 3\%$ del modello centralizzato ($p=0,893$).
  • Sul dataset Pima Diabetes, il divario di accuratezza è stato trascurabile (71,1% vs 71,4%), ma l'F1-score per la classe minoritaria è sceso significativamente (0,366 vs 0,612) sotto il budget di privacy più stretto, indicando un impatto negativo sul richiamo (recall).
• Risultati dell'Ablazione: La penalità di accuratezza è guidata principalmente dal meccanismo di Differenziale Privacy (iniezione di rumore), non dalla regola di aggregazione basata sulla fiducia. L'aggregazione basata sulla fiducia ha performato in modo comparabile alla ponderazione standard della dimensione del campione in termini di accuratezza grezza.
• Impatto dell'Eterogeneità: Il proposto Ecosystem Inclusion Score (EIS) ha dimostrato una diminuzione monotona all'aumentare dell'eterogeneità dei dati (Dirichlet $\alpha$ decrescente). L'EIS è sceso da 0,970 (bassa eterogeneità) a 0,868 (alta eterogeneità) sul benchmark Medical Cost, confermando la sensibilità della metrica alle strutture dati non-IID.

Significatività e Rivendicazioni
Il documento posiziona TW-DP-FedAvg non come un sostituto perfetto e gratuito dell'analisi centralizzata, ma come un'infrastruttura a livello di ecosistema che richiede un compromesso consapevole.

• Contributo Rivisto: Lo studio ritratta esplicitamente le affermazioni di "equivalenza" tra modelli federati e centralizzati sotto un budget di privacy difendibile. Inveve, stabilisce che l'addestramento federato comporta un costo di accuratezza misurabile.
• Contesto Politico ed Imprenditoriale: Le scoperte sono ancorate al Digital Personal Data Protection Act (DPDPA) 2023 dell'India e al sandbox regolamentare IRDAI. Gli autori sostengono che, sebbene la tecnologia offra una via per la collaborazione tra Insurtech rurali senza centralizzare dati sensibili, gli stakeholder (regolatori e imprenditori) debbano riconoscere la penalità di accuratezza.
• Limitazioni: Gli autori sottolineano che lo studio è una prova tecnica di concetto utilizzando dataset proxy. Non valida l'economia unitaria, la viabilità commerciale o l'implementazione sul campo con veri intermediari rurali. La discussione sugli ecosistemi imprenditoriali è un'estrapolazione concettuale, rilevando che l'infrastruttura da sola è insufficiente a catalizzare l'emergenza di un ecosistema senza affrontare finanziamenti, mentoring e canali di distribuzione.

In sintesi, il documento fornisce una valutazione rigorosa e corretta di un framework di apprendimento federato che preserva la privacy, dimostrando che, sebbene consenta la collaborazione sui dati in mercati rurali frammentati, ciò avviene a scapito delle prestazioni predittive, un compromesso che deve essere gestito dai futuri partecipanti regolatori e di mercato.