技術概要：PrivFusion

問題定義

臨床およびバイオメディカルデータの急速な成長により、リスク予測やコホート発見などのタスクにおいて機械学習（ML）の採用が進んでいます。しかし、電子カルテなどの機微な情報については、プライバシー、セキュリティ、ガバナンスの制約により、従来の中央集権的なデータ集約はしばしば実行不可能です。フェデレーテッドラーニング（FL）はデータをオンプレミスに保持することで分散型代替案を提供しますが、機関間におけるデータ異質性により、その実世界への展開は阻まれています。

臨床データセットは、特徴量の定義、コーディングシステム、粒度、測定手法において頻繁に異なります。分散分析を実行する前に、これらのデータセットは**調和（ハーモナイズ）**されなければなりません。これは、変数の整合性と意味的解決を含む労働集約的なプロセスです。現在の FL 手法は、調和が事前に完了しているという非現実的な仮定を置くことが多く、これが重大なボトルネックとなっています。既存のオントロジー駆動型ソリューションは、中央集権化や事前定義されたマッピングを必要とすることが多く、異なるワークフローを持つ機関間で確立することは困難です。中央集権化せずに分散環境で動作する、自動化され、スケーラブルで、プライバシーを保護する調和手法の必要性が切実です。

手法：PrivFusion フレームワーク

PrivFusion は、フェデレーテッド学習に先立って構造化データセットの調和を自動化するために設計された、プライバシーを保護するマルチエージェントフレームワークです。これは、中央サーバーがプロトコルに従うものの、機微な情報を推測しようとする可能性のある**正直だが好奇的（honest-but-curious）**な脅威モデル下で動作します。このフレームワークには、研究者（ローカルデータセットを保持）とサーバー（アグリゲータ）の 2 者が関与します。

プロセスは反復的であり、以下の 4 つの主要な段階で構成されます。

1. ローカルメタデータ生成（データセットアナライザ）：
   各研究者は、生データを共有することなく、一連のエージェントを使用してローカルでデータセット（$D_i$）を分析し、メタデータ（$M_i$）を生成します。これには以下が含まれます。

   • 特徴量抽出： 汎用オントロジー（DBPedia）を使用して、データ型（例：文字列、数値）と意味的型を特定します。
   • 記述生成： エージェント（$A_D$、$A_F$）がデータセット記述と意味的特徴量記述を生成します。
   • 関係推論： エージェント（$A_R$）が特徴量間の関係を推論し、別のエージェント（$A_T$）が関連トピックを抽出します。
   • 合成データ： 研究者は、差分プライバシー（DP）アプローチを使用して $n$ 個の低有用性合成サンプルを生成し、サーバーに特徴量の形式とドメインを指導します。

2. 特徴量クラスタリング（サーバー側）：
   サーバーは全サイトからメタデータ（$M_i$）を受信します。エージェント（$A_C$）が、意味的類似性（名前、データ型、DBPedia URI）に基づいてデータセット間の特徴量をクラスタリングします。同一クラスタ内の特徴量は、統合または整合のための候補として識別されます。

3. 変換推奨（サーバー側）：
   推奨エージェント（$A_H$）がクラスタとメタデータを分析し、必要な変換を決定します。DBPedia URI と意味的記述を比較して、代表的な URI と粒度レベルに収束させます。サーバーは、どの特徴量を結合、削除、または変更し、ターゲット表現を何にするかを示す具体的な指示を各サイトに出力します。

4. ローカル変換と反復：
   研究者は、Python スクリプトまたはコード生成 LLM（$M_C$）を使用して推奨された変換をローカルに適用します。更新されたメタデータがサーバーに再送信されます。このループは、それ以上の変換が不要になるか、最大反復回数（$T$）に達するまで継続されます。

主要な貢献

• 自動化されたプライバシー保護調和： PrivFusion は、生データを中央集権化することなく機関間における異質なデータセットの整合を自動化するフレームワークを導入し、文献でしばしば見落とされているフェデレーテッドラーニングの重要な前提条件に対処します。
• マルチエージェントアーキテクチャ： システムは、分析、クラスタリング、推奨、コード生成といった個別のタスクに特化したエージェントを活用し、意味的整合と変換ロジックの複雑さを処理します。
• オントロジー駆動型意味的整合： DBPedia URI と意味的記述を活用することで、単純な文字列一致を超えて特徴量の意味的意味について推論し、概念的には同等だが構造的に異なる列の整合を可能にします。
• 合成データによる指導： 低有用性の合成サンプルを使用することで、プライバシー保証を維持しつつ、サーバーが特徴量のドメインと形式を理解できるようにし、個体レベルの統計情報の漏洩を防ぎます。

評価と結果

このフレームワークは、インドネシア（IDN）、アフガニスタン（AFG）、イタリア（IT）、米国からの 4 つの実世界かつ異質な COVID-19 データセットで評価されました。これらのデータセットは、日付形式、場所の粒度（例：郡対県対国）、特徴量命名規則において顕著な差異を示していました。

実験設定：

• モデル： 著者は、GPT-OSS-120b（GPT-120b）、Llama-3-70b（Llama-70b）、DeepSeek-Coder-33b（DSC-33b）を含む、さまざまな大規模言語モデル（LLM）の組み合わせをテストしました。
• 指標： 収束速度（反復回数）、推奨された変換の総数、調和後の共通特徴量（名前と DBPedia URI を共有）の数。

主要な知見：

• 効率性： PrivFusion は、ペアワイズデータセットの組み合わせにおいて通常2〜3 回の反復で調和を達成しました。例えば、IDN-AFG のペアは GPT-120b を使用して 2 回の反復で収束しました。
• 特徴量整合： このフレームワークは、特徴量名（例：スネークケースへ）の標準化、日付形式の調和、場所の粒度の整合に成功しました。
• LLM の影響：
  • GPT-120b は指示遵守において優れており、さらに反復が必要ない場合を認識し、漸進的な更新を好む傾向がありました。
  • Llama-70b は高い創造性を示しましたが、正規化ステップを誤って適用したり、不要な変更（例：特徴量の恣意的な改名）を導入したりすることがあり、一部の構成では反復回数が増加しました。
  • DeepSeek-Coder は正しいコードを生成しましたが、不完全な応答を生成し、手動介入を必要とする場合が時々ありました。
• スケーラビリティ： 複雑さは当事者数に対して非線形的に増加しました。ペアワイズ調和は少数の変換で済みますが、マルチパーティシナリオ（例：AFG-IDN-IT）では、より多くの変換（一部の構成では最大 49 回）と反復が必要でした。
• 収束： 特徴量名間のジャッカード類似度スコアは、一般的に 3〜6 回の反復内でピークに達し、スキーマの迅速な安定化を示しました。

意義と限界

意義：
PrivFusion は、自動化されたプライバシー保護調和が実現可能かつ効果的であることを示しています。データセットの整合に関する手作業の負担を軽減することで、協働分析へのアクセスを拡大し、結果として得られるモデルの一般化可能性を向上させます。このフレームワークは、フェデレーテッドラーニングの理論的可能性と、異質でサイロ化された臨床データの実践的現実との間のギャップを成功裏に埋めています。

限界：

• LLM への依存： 性能は基盤となる LLM の推論の一貫性に依存しており、これは変動する可能性があります。LLM は、特徴量を過剰に整合させたり、不足させたりする場合があります。
• ヒトループ： 高リスクの臨床環境では、意味的な正確性と信頼性を確保するために、推奨事項の人間によるレビューが必要である可能性を著者は認めています。
• 理論的保証： フレームワークは実験的に収束しましたが、収束に必要な反復回数に関する理論的保証は欠けています。
• 計算コスト： マルチエージェントワークフローは計算集約的であり、リソース制約のある機関にとって課題となる可能性があります。

本論文は、PrivFusion が最小限の変換でデータセットを効果的に調和させるものの、将来の研究では追加のドメインへの適用と、スケーラビリティをさらに向上させるための代替 LLM の評価を探求すると結論付けています。