FecalFed: Privacy-Preserving Poultry Disease Detection via Federated Learning

Probleemstelling

De vroege detectie van hoogpathogene aviaire influenza (HPAI) en endemische pluimveeziekten is cruciaal voor de wereldwijde voedselzekerheid. Hoewel computerzichtmodellen uitstekend zijn in het classificeren van ziekten op basis van beelden van vogeluitwerpselen, worden de implementatie op grote schaal en de betrouwbaarheid van deze systemen gehinderd door twee fundamentele uitdagingen:

1. Dataprivacy en Silo's: Landbouwbedrijven zijn terughoudend om gevoelige gezondheidsdata te delen vanwege bioveiligheidsrisico's, commerciële belangen en reputatiezorgen. Dit leidt tot institutionele datasilos die centrale training van robuuste AI-modellen onmogelijk maken.
2. Datacontaminatie en Kwaliteit: Bestaande open-source landbouwdatasets lijden vaak onder ernstige, ongedocumenteerde datacontaminatie. Het paper toont aan dat populaire openbare repositories voor pluimvee-uitwerpselen beelden bevatten die grotendeels duplicaten zijn (vaak alleen herschaald), wat leidt tot train/test-lekkage en kunstmatig geïflateerde prestatiemetingen.
3. Hardware-beperkingen: Plattelandslandbouwfaciliteiten missen vaak de enterprise-grade rekenkracht en bandbreedte die nodig zijn voor het hosten van zware centrale modellen.

Methodologie

Het paper introduceert FecalFed, een privacy-bewust federatief leerframework (Federated Learning - FL) specifiek ontworpen voor de classificatie van pluimveeziekten.

• Data Curation (Poultry-Fecal-FL):

  • De auteurs hebben een nieuwe dataset samengesteld genaamd poultry-fecal-fl door beelden te aggregeren uit Zenodo en Roboflow repositories.
  • Een strikt dual-hash deduplicatieproces (gebruikmakend van Average Hash en Perceptual Hash) werd toegepast. Beelden met een Hamming-afstand van ≤5 op beide hashes werden verwijderd.
  • Dit resulteerde in een schone dataset van 8.770 unieke beelden over vier klassen (Gezond, Coccidiose, Newcastle Disease, Salmonella), waarbij 46,89% van de oorspronkelijke 16.513 beelden als duplicaat werd geïdentificeerd en verwijderd.

• Federatief Leringsarchitectuur:

  • Cross-silo FL: De data blijft lokaal op de "edge"-apparaten van de boerderijen (gesimuleerd als 10 geïsoleerde clients). Alleen modelgewichtsupdates worden naar een centrale server verzonden.
  • Non-IID Omgeving: Om realistische landbouwomstandigheden te simuleren, werd de dataset gepartitioneerd met een Dirichlet-verdeling ($\alpha = 0.5$). Dit creëert een sterk heterogene situatie waarbij elke boerderij een andere verdeling van ziekteklassen heeft (bijv. één boerderij heeft veel Salmonella, een andere veel gezonde exemplaren).
  • Modellen: Er werden vier Vision Transformer-architecturen geëvalueerd: ViT-B/16, Swin-Small, ViT-S/16 en Swin-Tiny. Voor alle modellen werden de feature-extractie backbones bevroren; alleen de classificatiekoppen werden fijn afgestemd (fine-tuning) om het communicatieverkeer en het geheugengebruik te minimaliseren.
  • Optimalisatie: Twee strategieën werden vergeleken:
    • FedAvg: Standaard federatief gemiddelde.
    • FedAdam: Een adaptieve server-side optimalisatie die de geaggregeerde pseudo-gradiënten behandelt als input voor een Adam-optimizer. Dit is essentieel om convergentieproblemen bij heterogene data te voorkomen.

Belangrijkste Bijdragen

1. Gecureerde Benchmark Dataset: De release van poultry-fecal-fl, een strikt gedupliceerde, "lek-vrije" dataset die een schone basis legt voor landbouw-AI-onderzoek.
2. Realistische Non-IID Evaluatie: Het aantonen dat geïsoleerde training op één boerderij faalt onder natuurlijke data-heterogeniteit, wat de noodzaak van collaboratieve FL-frameworks onderstreept.
3. Uitgebreide Federatieve Benchmarking: Een systematische evaluatie van FL-algoritmen onder Vision Transformers. Het paper toont aan dat FedAdam superieur is aan FedAvg voor stabiliteit bij grotere modellen in niet-IID-scenario's.

Resultaten

De experimenten leverden de volgende inzichten op (zie Tabel 1 in het paper):

• Prestatieverval bij geïsoleerde training: Onder realistische Non-IID-omstandigheden stortte de gemiddelde nauwkeurigheid van een enkel boerderijmodel in tot 64,86% (met een enorme variantie van ±24,95%), vergeleken met een centraal getrainde bovengrens van ~95%.
• Herstel door Federatief Leren: FecalFed slaagde erin deze prestaties te herstellen zonder ruwe data te centraliseren.
  • FedAdam met Swin-Small: Bereikte de hoogste nauwkeurigheid van 90,31%, slechts 4,79% onder de centrale bovengrens.
  • Edge-Optimalisatie (Swin-Tiny): Het lichtgewicht model (28M parameters) behaalde 89,74% nauwkeurigheid. Dit is slechts 0,28% lager dan het veel zwaardere ViT-B/16 model (90,02%), maar vereist minder dan een derde van de parameteromvang.
• Convergentie: Een ablatiestudie toonde aan dat het verlengen van de communicatierondes (van 5 naar 20) de prestaties verder verbeterde (tot 91,05% voor ViT-B/16), met minimale bandbreedte-overhead dankzij het bevroren backbones.

Significantie

FecalFed biedt een privacy-first blauwdruk voor de monitoring van vogelziektes op boerderijen. Het paper lost het dilemma op tussen data-privacy en modelprestaties door te tonen dat federatief leren, gecombineerd met adaptieve optimalisatie (FedAdam), robuuste diagnostiek mogelijk maakt zonder dat gevoelige data de boerderij verlaat.

Daarnaast benadrukt het werk de kritieke noodzaak van datahygiëne in de landbouw-AI-gemeenschap; zonder strikte deduplicatie zijn bestaande benchmarks onbetrouwbaar. De combinatie van een schone dataset en een efficiënt edge-deployable framework (Swin-Tiny) maakt schaalbare, wereldwijde surveillance van pluimveeziekten technisch haalbaar en praktisch toepasbaar, zelfs in omgevingen met beperkte rekenkracht en internetverbinding.