PAT: Privacy-Preserving Adversarial Transfer for Accurate, Robust and Privacy-Preserving EEG Decoding

Resumo Técnico: PAT (Transferência Adversarial Preservadora de Privacidade)

1. O Problema

As Interfaces Cérebro-Computador (BCI) baseadas em Eletroencefalograma (EEG) enfrentam três desafios críticos que limitam sua aplicação no mundo real:

1. Baixa Precisão de Decodificação: Modelos de aprendizado de máquina dependem de grandes conjuntos de dados de alta qualidade. No entanto, dados de EEG são difíceis de coletar, caros e altamente não estacionários (variando significativamente entre usuários, sessões e equipamentos), o que prejudica a generalização.
2. Falta de Robustez: Sistemas BCI são vulneráveis a perturbações, incluindo ruído aleatório e ataques adversariais (perturbações imperceptíveis que alteram a saída do modelo). Isso compromete a segurança em aplicações críticas.
3. Riscos de Privacidade: Sinais de EEG contêm informações sensíveis (traços de personalidade, estados emocionais, capacidades cognitivas). A transferência de dados entre domínios (fontes para alvo) ou o treinamento centralizado violam regulamentações como o GDPR e a Lei de Proteção de Informações Pessoais da China.

A literatura existente geralmente aborda apenas um ou dois desses problemas. Métodos que melhoram a robustez podem reduzir a precisão em amostras benignas, e métodos de transferência de aprendizado podem expor a privacidade dos usuários fonte. Não existia, até então, uma abordagem unificada que resolvesse simultaneamente precisão, robustez e privacidade.

2. Metodologia: Framework PAT

Os autores propõem o PAT (Privacy-preserving Adversarial Transfer), um framework de treinamento unificado que integra três componentes principais:

1. Alinhamento de Dados: Utiliza Euclidean Alignment (EA) para reduzir a discrepância de distribuição marginal entre os dados do domínio fonte e do domínio alvo, "branqueando" os dados para torná-los mais consistentes entre usuários.
2. Aumento de Dados: Aplica uma técnica simples de aumento baseada em escala para aumentar a diversidade dos dados de calibração do domínio alvo.
3. Treinamento Adversarial e Transferência Preservadora de Privacidade: Combina o treinamento adversarial (usando o algoritmo PGD - Projected Gradient Descent) para gerar exemplos adversariais e aumentar a robustez, com mecanismos de transferência que respeitam a privacidade.

O PAT é projetado para ser instanciado em três cenários de privacidade, mantendo o mesmo pipeline de treinamento:

• Transferência Livre de Fonte Centralizada: Apenas um modelo pré-treinado em dados fonte agregados é compartilhado. Os dados brutos não são acessíveis ao usuário alvo.
• Transferência Livre de Fonte Federada: Utiliza um modelo global obtido via Federated Learning (onde os dados permanecem locais em cada cliente). O modelo global serve como prioridade para o usuário alvo.
• Transferência com Dados Fonte Preservados: Os dados fonte são perturbados (adicionando ruído específico ao usuário) para tornar a identidade do usuário "aprendizável" (impedindo a classificação de identidade), mas mantendo a informação relevante para a tarefa BCI.

O objetivo final é uma função de perda combinada que otimiza a robustez nos exemplos adversariais do alvo e a tarefa nos dados fonte (ou modelos fonte).

3. Contribuições Principais

1. Framework Unificado: Primeira abordagem a integrar alinhamento de dados, treinamento adversarial e transferência preservadora de privacidade em um único pipeline para BCI baseada em EEG.
2. Versatilidade de Cenários: Demonstra que o mesmo framework pode ser adaptado a diferentes restrições de privacidade (centralizado, federado ou dados perturbados) alterando apenas a informação fonte acessível.
3. Superioridade Empírica: O PAT supera mais de dez métodos clássicos e state-of-the-art (SOTA) em precisão e robustez, incluindo abordagens de transferência de aprendizado que não possuem mecanismos de privacidade.

4. Resultados Experimentais

Os autores avaliaram o PAT em cinco conjuntos de dados públicos de EEG (incluindo BNCI2014001, Weibo2014, BNCI2014002, NICU e SEED) cobrindo tarefas de imaginação motora, detecção de convulsões e reconhecimento de emoções.

• Desempenho Geral: O PAT superou consistentemente todos os métodos de base (incluindo CSP, EEGNet, ABAT, e vários métodos de domain adaptation como DANN, JAN, SHOT) em todos os três cenários de privacidade.
• Precisão e Robustez:
  • Em comparação com métodos de transferência de aprendizado sem privacidade, o PAT superou-os em 9,76% em precisão e robustez médias.
  • O modelo manteve alta precisão em amostras benignas, adversariais e ruidosas, resolvendo o trade-off comum entre robustez e precisão.
• Cenários Específicos:
  • No cenário Federado, o PAT obteve desempenho superior ao cenário centralizado, possivelmente devido à capacidade de aprender informações globais mais robustas sem normalização de lote (Batch Normalization) compartilhada inadequadamente entre sujeitos.
  • No cenário com Dados Perturbados, o PAT demonstrou que é possível utilizar dados fonte reais (com privacidade preservada) para melhorar significativamente a performance do alvo, superando métodos que apenas usam modelos fonte.
• Custo Computacional: Embora o treinamento seja mais lento devido à geração de exemplos adversariais (PGD), o custo de inferência é idêntico ao do EEGNet padrão, tornando-o viável para aplicações em tempo real.

5. Significância

Este trabalho representa um avanço fundamental no campo de BCI. Ao demonstrar que é possível simultaneamente aumentar a precisão, garantir a robustez contra ataques e proteger a privacidade dos usuários, o PAT remove barreiras críticas para a adoção clínica e comercial de sistemas BCI.

A pesquisa sugere que a privacidade não precisa ser um obstáculo para o desempenho; pelo contrário, um framework bem desenhado pode usar a privacidade como um guia para criar modelos mais generalizáveis e seguros. Isso abre caminho para o desenvolvimento de sistemas de decodificação de EEG confiáveis para uso em ambientes do mundo real, onde a segurança de dados e a confiabilidade são imperativas.