Conformalized Neural Networks for Federated Uncertainty Quantification under Dual Heterogeneity

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é o coordenador de uma rede de hospitais espalhados por todo o país. Cada hospital tem seus próprios médicos, equipamentos diferentes e atende pacientes com perfis muito distintos. O objetivo é criar um único "super-inteligente" que ajude todos a diagnosticar doenças, mas há um problema: ninguém pode enviar os dados dos pacientes para um servidor central (por questões de privacidade).

É aqui que entra o Aprendizado Federado (Federated Learning). Em vez de juntar os dados, cada hospital treina seu próprio modelo localmente e apenas compartilha o que aprendeu.

O Problema: A "Confiança Cega"

O grande desafio descrito no artigo é a Incerteza.
Imagine que o Hospital A (com muitos dados e equipamentos de ponta) é muito preciso, mas o Hospital B (com poucos dados e equipamentos antigos) é menos preciso.

Se o sistema global apenas calcular a "média" de confiança, ele pode criar uma ilusão perigosa:

O Hospital A pode estar superconfiante (dizendo: "Tenho 99% de certeza!").
O Hospital B pode estar inseguro (dizendo: "Tenho apenas 60% de certeza").
A média global fica em 80%, o que parece "ok".

Mas, na prática, o Hospital B pode estar cometendo erros graves sem ninguém perceber. Isso é chamado de silencioso falha local. O sistema parece funcionar bem no geral, mas está falhando miseravelmente nos locais mais frágeis.

Além disso, os hospitais usam "medidas" diferentes. O Hospital A usa uma régua em centímetros, o Hospital B em polegadas. Como comparar a confiança deles diretamente?

A Solução: FedWQ-CP (O "Medidor de Confiança" Inteligente)

Os autores criaram um método chamado FedWQ-CP. Pense nele como um sistema de calibração inteligente que funciona em uma única rodada de conversa.

Aqui está como funciona, usando uma analogia simples:

1. A Calibração Local (Cada um ajusta sua régua)

Em vez de tentar forçar todos a usarem a mesma régua, cada hospital (agente) faz o seguinte:

Ele pega seus próprios dados de teste (que não são os dados reais dos pacientes, mas dados de validação).
Ele calcula um "limiar de segurança" local. É como se ele dissesse: "Para ter 95% de certeza nas minhas condições específicas, preciso que minha régua marque até X".
Ele não envia os dados, nem os detalhes de como a régua funciona. Ele envia apenas dois números: o valor desse limite (X) e quantos dados ele usou para calcular isso.

2. A Agregação Ponderada (O Diretor Sabe quem tem mais experiência)

O servidor central recebe esses dois números de todos os hospitais.

Aqui está o truque do FedWQ-CP: ele não faz uma média simples (50% de um, 50% do outro).
Ele faz uma média ponderada pelo tamanho da amostra.
- Se o Hospital A usou 10.000 dados para calcular seu limite, sua opinião vale muito.
- Se o Hospital B usou apenas 100 dados, sua opinião tem menos peso, pois é mais "barulhenta" e menos confiável.
O servidor calcula um Limite Global que respeita a força de cada um, mas protege os mais fracos.

3. O Resultado (Segurança para Todos)

Esse limite global é enviado de volta para todos. Agora, mesmo o Hospital B (o mais fraco) usa um limite que garante que ele não vai fazer diagnósticos "achados" demais.

Por que isso é genial?

Economia de Energia (Eficiência): O método só precisa de uma única rodada de comunicação. É como se todos enviassem um SMS rápido com dois números e pronto. Não precisa de conversas intermináveis ou envio de dados pesados.
Justiça (Equidade): Ele evita que os hospitais fortes "arrastem" os fracos para baixo. O sistema garante que, mesmo nos locais com menos recursos, a taxa de erro não ultrapasse o limite seguro (ex: 5% de erro).
Precisão (Menos "Apenas para Certeza"): Métodos antigos, para garantir segurança, tendiam a ser excessivamente cautelosos, dizendo "não tenho certeza sobre nada" (o que gera previsões grandes e inúteis). O FedWQ-CP consegue ser preciso e seguro ao mesmo tempo, gerando previsões menores e mais úteis.

Resumo em uma frase

O FedWQ-CP é como um maestro que, em vez de pedir que todos os músicos toquem exatamente a mesma nota (o que seria impossível com instrumentos diferentes), pede que cada um afine seu instrumento localmente e, em seguida, ajusta o volume de cada um baseado em quantos músicos ele tem, garantindo que a orquestra inteira toque em harmonia, sem que nenhum instrumento fique desafinado ou silencioso.

Conclusão: O artigo apresenta uma maneira simples, rápida e justa de garantir que sistemas de Inteligência Artificial distribuídos (como em hospitais ou bancos) não apenas funcionem bem no geral, mas que sejam seguros e confiáveis para cada participante individual, especialmente para aqueles que têm menos recursos.

Each language version is independently generated for its own context, not a direct translation.

Resumo Técnico: FedWQ-CP para Quantificação de Incerteza Federada

1. O Problema: Heterogeneidade Dupla em Aprendizado Federado (FL)

O artigo aborda um desafio crítico em sistemas de Aprendizado Federado (FL) de alto risco: a Quantificação de Incerteza (UQ) em cenários de heterogeneidade dupla.

Contexto: Em FL, múltiplos agentes (ex: hospitais) treinam modelos localmente sem compartilhar dados brutos.
Desafio 1 (Heterogeneidade de Dados): Os dados locais possuem distribuições diferentes (deslocamento de rótulo ou covariável) e tamanhos de conjunto de calibração desiguais.
Desafio 2 (Heterogeneidade de Modelos): Os agentes utilizam arquiteturas de rede neural diferentes (ex: CNNs rasas vs. ResNets profundas) e intensidades de treinamento variadas, resultando em diferentes capacidades preditivas e escalas de "confiança" (scores de non-conformity).
Falha das Abordagens Atuais: Métodos existentes de UQ federada frequentemente tratam essas heterogeneidades isoladamente ou assumem trocabilidade global. Isso leva a:
- Falhas Silenciosas: Agentes com poucos dados ou modelos fracos sofrem de under-coverage (cobertura real muito abaixo do nominal, ex: 90% quando se espera 95%), enquanto agentes fortes podem ter over-coverage.
- Média Enganosa: A cobertura global média pode parecer satisfatória, mascarando falhas críticas em agentes específicos.
- Ineficiência: Métodos iterativos ou que exigem compartilhamento de dados/scores completos geram alto custo de comunicação e computação.

2. Metodologia: FedWQ-CP (Conformal Prediction com Quantis Ponderados)

Os autores propõem o FedWQ-CP, um framework de calibração federada de "um único tiro" (one-shot) que equilibra desempenho de cobertura e eficiência.

Principais Etapas do Algoritmo:

Treinamento e Calibração Local:
- Cada agente $k$ treina seu modelo preditor local $f_k$ (permitindo arquiteturas heterogêneas).
- Utilizando um conjunto de calibração local $D^{cal}_k$ , o agente calcula os scores de não-conformidade ( $V_{k,i}$ ).
- O agente calcula seu limiar de quantil local ( $\hat{q}_k$ ) baseado no nível de erro alvo $\alpha$ e no tamanho da amostra local $n_k$ .
Comunicação Eficiente (Um Único Round):
- Cada agente envia apenas dois escalares para o servidor: o limiar local $\hat{q}_k$ e o tamanho da amostra de calibração $n_k$ .
- Nenhum dado bruto, parâmetro de modelo ou lista completa de scores é compartilhado, preservando a privacidade.
Agregação Ponderada no Servidor:
- O servidor calcula um limiar global ( $\hat{q}$ ) através de uma média ponderada dos quantis locais, onde os pesos são proporcionais ao tamanho das amostras de calibração ( $n_k/N$ ):
  $\hat{q} = \sum_{k=1}^{M} \frac{n_k}{N} \hat{q}_k$
- Justificativa Teórica: Essa ponderação compensa a variância estatística. Agentes com poucos dados (modelos fracos) têm estimativas de quantil mais ruidosas; a ponderação por $n_k$ impede que eles distorçam excessivamente o limite global, enquanto incorpora a "força" preditiva dos agentes com mais dados.
Predição:
- O servidor transmite o único limiar global $\hat{q}$ de volta a todos os agentes.
- Cada agente constrói seu conjunto de previsão $C_k(x)$ usando seu próprio modelo local e o limiar global.

3. Contribuições Principais

Solução para Heterogeneidade Dupla: O primeiro framework a abordar simultaneamente a heterogeneidade de dados (distribuição) e de modelos (arquitetura/força) na UQ federada sem assumir modelos estruturais de deslocamento (como label shift ou densidade).
Eficiência de Comunicação: Elimina a necessidade de iterações complexas ou otimização federada para estimar quantis. Requer apenas uma rodada de comunicação com dois valores numéricos por agente.
Garantia de Cobertura Local e Global: Diferente de métodos que garantem cobertura apenas na mistura global, o FedWQ-CP demonstra empiricamente manter a cobertura próxima do nível nominal ( $1-\alpha$ ) tanto no nível global quanto no nível de cada agente individual.
Análise Teórica: Fornece decomposição do erro de cobertura e limites de estabilidade para a agregação de quantis, mostrando que o viés de agregação é controlável sob certas condições de convergência.

4. Resultados Experimentais

Os autores avaliaram o FedWQ-CP em 7 conjuntos de dados públicos (incluindo benchmarks de visão computacional como MNIST, CIFAR-10 e conjuntos médicos como DermaMNIST e RetinaMNIST) para tarefas de classificação e regressão.

Cobertura (Coverage):
- O FedWQ-CP manteve a cobertura empírica próxima ao nível nominal (ex: 95%) para todos os agentes (fortes e fracos) e globalmente.
- Métodos de base (como DP-FedCP) apresentaram under-coverage severo em agentes fracos (ex: cobertura de ~60-70% quando o alvo era 95%).
- Métodos como SplitCP e FedCP-QQ tendiam a over-coverage (cobertura > 99%), gerando conjuntos de previsão excessivamente grandes.
Eficiência (Tamanho do Conjunto de Previsão):
- O FedWQ-CP produziu consistentemente os menores conjuntos de previsão (para classificação) ou intervalos (para regressão) entre todos os métodos testados.
- Isso indica que o método não apenas garante a cobertura, mas faz isso de forma mais precisa, evitando incerteza desnecessária.
Estudo de Ablação:
- A comparação com uma versão não ponderada (média simples dos quantis) mostrou que, sem o peso baseado no tamanho da amostra ( $n_k$ ), os agentes fracos sofrem de subcobertura sistemática, validando a importância da estratégia de ponderação proposta.

5. Significado e Impacto

O trabalho é significativo porque oferece uma solução prática e escalável para a confiabilidade em sistemas FL heterogêneos.

Aplicabilidade Real: Em cenários críticos como saúde (hospitais com diferentes equipamentos e volumes de pacientes), o método garante que a incerteza seja quantificada de forma justa e segura para todos os participantes, não apenas para a média do sistema.
Privacidade e Escalabilidade: Ao exigir apenas a troca de dois números por agente, o método é extremamente leve em termos de largura de banda e totalmente compatível com restrições de privacidade rigorosas.
Fim do "Over-coverage" Conservador: Ao reduzir o tamanho dos conjuntos de previsão sem sacrificar a cobertura, o FedWQ-CP permite que os sistemas de decisão baseados em IA sejam mais assertivos e úteis na prática clínica ou industrial.

Em resumo, o FedWQ-CP estabelece um novo padrão para Quantificação de Incerteza Federada, resolvendo o dilema entre garantir segurança estatística para agentes desiguais e manter a eficiência computacional e de comunicação.