PTOPOFL: Privacy-Preserving Personalised Federated Learning via Persistent Homology

O artigo apresenta o PTOPOFL, um framework de aprendizado federado personalizado que utiliza descritores topológicos derivados da homologia persistente para substituir o compartilhamento de gradientes, garantindo simultaneamente privacidade contra ataques de reconstrução e melhor desempenho em cenários de dados não-IID através de uma agregação guiada por topologia.

O essencial

Imagine que você e seus vizinhos querem treinar um super-robô para ajudar a diagnosticar doenças, mas ninguém quer mostrar seus prontuários médicos uns aos outros por questões de privacidade.

No método tradicional (chamado Federated Learning), cada vizinho treina o robô com seus próprios dados e envia um "resumo das lições aprendidas" (chamado de gradiente) para um coordenador central. O problema é que esse resumo é tão detalhado que, se um espião (ou o próprio coordenador mal-intencionado) pegar esse papel, ele consegue reconstruir os prontuários originais dos vizinhos. É como se você enviasse uma receita de bolo, mas o espião conseguisse ler a receita e descobrir exatamente qual marca de farinha e ovos você usou, até mesmo o nome da sua avó que te ensinou a fazer.

Além disso, nem todos os vizinhos têm o mesmo tipo de paciente. Alguns têm muitos idosos, outros têm crianças. Quando o coordenador tenta misturar todas as lições de uma vez só, o robô fica confuso e aprende mal. É como tentar ensinar um aluno de matemática avançada e um de alfabetização com o mesmo livro ao mesmo tempo: ninguém aprende direito.

A Solução: O "PTOPOFL" (O Detetive de Formas)

Os autores deste artigo criaram uma solução inteligente chamada PTOPOFL. Em vez de enviar as "lições detalhadas" (que vazam segredos), eles enviaram apenas a "forma" ou a "silhueta" dos dados.

Aqui está como funciona, usando uma analogia simples:

1. Em vez de Fotos, Enviamos "Mapas de Montanha"

Imagine que os dados de cada hospital são uma paisagem montanhosa.

• O método antigo: Enviava uma foto de alta resolução de cada montanha. Qualquer um podia ver cada pedra e árvore (os dados individuais).
• O PTOPOFL: Usa uma técnica matemática chamada Homologia Persistente para desenhar apenas um mapa de contornos (topografia).
  • O mapa diz: "Aqui tem um pico alto, aqui tem um vale, e aqui tem um buraco no meio".
  • O segredo: Você pode ter milhões de montanhas diferentes que geram o mesmo mapa de contornos. É impossível recriar a montanha original só olhando para o mapa. É como tentar adivinhar quem é uma pessoa só vendo a sombra dela projetada na parede: você sabe que é uma silhueta humana, mas não sabe se é o João ou a Maria.

2. O Coordenador é um "Detetive de Formas"

O servidor central não olha para os dados brutos. Ele olha para esses mapas de contornos.

• Ele percebe que o Hospital A e o Hospital B têm "formas" muito parecidas (ambos têm muitos idosos, por exemplo).
• Ele agrupa os hospitais semelhantes e cria um "robô especialista" para cada grupo.
• Hospitais com formas muito estranhas (que podem ser hackers tentando estragar o sistema) são identificados e ignorados, porque a "sombra" deles não bate com a do grupo.

3. O Resultado: Mais Seguro e Mais Inteligente

• Privacidade: Como o que é enviado é apenas um resumo de 48 números (a forma da montanha) e não os dados brutos, o risco de um espião reconstruir os prontuários cai drasticamente (cerca de 4,5 vezes menos risco). É como enviar um bilhete com um desenho abstrato em vez de enviar a carta original.
• Eficiência: Como o robô é treinado separadamente para grupos de pacientes semelhantes (idosos com idosos, crianças com crianças), ele aprende muito mais rápido e com mais precisão do que se tentasse aprender com todos misturados.

Resumo da Ópera

O PTOPOFL é como um sistema onde, em vez de você entregar seu diário pessoal para ser lido por um professor, você entrega apenas um desenho abstrato que mostra a "personalidade" dos seus dados.

• O professor consegue entender o que você precisa aprender (agrupando você com pessoas de perfil similar).
• O professor não consegue ler seus segredos pessoais no desenho.
• O sistema é mais rápido porque não tenta ensinar todos de uma vez, mas sim cria turmas especializadas.

A pesquisa mostra que, em testes com dados de saúde e benchmarks complexos, esse método é o mais preciso e o mais seguro contra ataques, tudo isso sem precisar de criptografia pesada ou de adicionar "ruído" que atrapalha o aprendizado. É uma forma de usar a geometria e a forma das coisas para proteger a privacidade e melhorar a inteligência artificial.

Resumo técnico

Título: PTOPOFL: Aprendizado Federado Personalizado e Preservador de Privacidade via Homologia Persistente

1. O Problema

O Aprendizado Federado (FL) enfrenta duas tensões estruturais fundamentais que ainda não foram resolvidas simultaneamente na literatura existente:

1. Risco de Privacidade (Inversão de Gradientes): No FL padrão, os clientes enviam atualizações de modelo (gradientes) ao servidor. Esses vetores de alta dimensão contêm informações substanciais sobre os dados locais, permitindo que servidores curiosos ou adversários realizem ataques de reconstrução de dados (ex: Gradient Inversion Attacks) para recuperar amostras de treinamento individuais com alta fidelidade.
2. Heterogeneidade de Dados (Não-IID): Em cenários do mundo real, as distribuições de dados entre os clientes raramente são idênticas e independentes (IID). Isso causa "deriva de cliente" (client drift), onde os modelos locais divergem, degradando a qualidade da agregação global e retardando ou impedindo a convergência.

Métodos existentes como Privacidade Diferencial (DP) protegem a privacidade, mas degradam a utilidade do modelo devido ao ruído adicionado. Métodos de personalização (ex: FedProx, pFedMe) tratam a heterogeneidade, mas não abordam a vulnerabilidade estrutural dos gradientes à reconstrução.

2. Metodologia: O Framework PTOPOFL

O PTOPOFL propõe uma reformulação geométrica baseada em Análise Topológica de Dados (TDA). Em vez de transmitir gradientes, os clientes transmitem descritores topológicos derivados da Homologia Persistente (PH).

O framework consiste em cinco componentes interligados:

• Abstração Topológica (Privacidade):

  • Cada cliente computa um diagrama de persistência ($PD_k$) a partir de seus dados locais, capturando invariantes topológicos multiescala (componentes conectados, loops, vazios).
  • Esse diagrama é convertido em um vetor de características compacto de 48 dimensões.
  • Propriedade Chave: O mapeamento de dados para o diagrama de persistência é "muitos-para-um". Infinitos conjuntos de dados distintos geram o mesmo descritor, tornando a inversão (reconstrução dos dados originais) um problema mal-posto e provadamente impossível via otimização, reduzindo drasticamente o risco de reconstrução.

• Agregação Personalizada Guiada por Topologia:

  • Clustering: O servidor agrupa clientes com base na similaridade topológica de seus diagramas de persistência, utilizando a distância de Wasserstein ($W_p$). Clientes com distribuições de dados estruturalmente semelhantes são agrupados.
  • Agregação Intra-cluster: Dentro de cada cluster, os modelos são combinados com pesos baseados na proximidade topológica (descritores mais próximos do centro do cluster recebem maior peso).
  • Fusão Inter-cluster: Os modelos de cluster são misturados com um consenso global para evitar superespecialização.

• Detecção de Anomalias:

  • Clientes cujos descritores topológicos se desviam significativamente da maioria (indicando possível envenenamento de dados ou modelo) são identificados e seus pesos de agregação são reduzidos exponencialmente.

• Rastreamento Contínuo:

  • A evolução temporal dos descritores topológicos monitora a "deriva de conceito" (concept drift), permitindo ajustes adaptativos nas taxas de aprendizado e reagrupamento se necessário.

3. Contribuições Teóricas Principais

Os autores estabelecem quatro resultados formais:

1. Teorema de Existência de Baricentro de Wasserstein: Garante a existência do ponto médio geométrico utilizado na etapa de agregação.
2. Estabilidade do Clustering: Prova que o agrupamento guiado por topologia é estável sob perturbações de dados, desde que a separação entre clusters seja suficiente.
3. Supressão Exponencial de Adversários: Demonstra que a influência de clientes maliciosos decai exponencialmente com sua separação topológica da maioria honesta (em contraste com o decaimento linear no FedAvg).
4. Teorema de Contração de Informação: Prova que os descritores de PH vazam estritamente menos informação mútua por amostra do que os gradientes, sob funções de perda fortemente convexas.
5. Convergência Linear: Estabelece que o esquema de agregação ponderada por Wasserstein converge linearmente com um "teto de erro" (error floor) estritamente menor que o do FedAvg.

4. Resultados Experimentais

O PTOPOFL foi avaliado contra baselines (FedAvg, FedProx, SCAFFOLD, pFedMe) em cenários de saúde e benchmarks patológicos:

• Cenário de Saúde (8 hospitais, 2 adversários):
  • PTOPOFL alcançou uma AUC de 0,841 (o mais alto), superando o FedProx (+1,2 pontos percentuais).
  • Convergência imediata a partir da rodada 1.
  • Detecção eficaz de hospitais adversários, reduzindo seu impacto no modelo global.
• Benchmark Patológico (10 clientes com desequilíbrio de classes severo):
  • PTOPOFL alcançou AUC de 0,910 (o mais alto), superando o FedAvg e o SCAFFOLD (que oscilou devido ao desequilíbrio).
• Modelos Profundos (CIFAR-10 e FEMNIST):
  • Em experimentos com Redes Neurais (ResNet-18 e ConvNet-2), o PTOPOFL superou consistentemente os métodos de base em cenários de alta heterogeneidade (ex: 0,74 vs 0,68 no CIFAR-10 com $\alpha=0,1$).
• Privacidade:
  • Redução do risco de reconstrução por um fator de 4,5 em comparação com a troca de gradientes.
  • O risco de reconstrução caiu de 0,0107 (gradientes) para 0,0024 (descritores PH).

5. Significado e Impacto

• Mudança de Paradigma: O PTOPOFL é o primeiro trabalho a substituir a comunicação de gradientes por descritores de homologia persistente no FL, abordando privacidade e heterogeneidade simultaneamente.
• Privacidade Estrutural: Diferente da Privacidade Diferencial (que adiciona ruído), a privacidade aqui é inerente à estrutura do descritor (muitos-para-um), sem degradação de utilidade por ruído artificial.
• Robustez: A abordagem topológica oferece uma defesa natural contra envenenamento de dados, pois ataques maliciosos tendem a criar assinaturas topológicas anômalas que são facilmente detectáveis.
• Aplicabilidade: O método é particularmente relevante para domínios sensíveis como saúde, onde a privacidade dos dados e a heterogeneidade entre instituições (hospitais) são críticas.

Limitações e Futuro:
O trabalho atual utiliza modelos lineares para validação teórica estrita (devido a suposições de convexidade forte), embora os resultados empíricos com redes profundas sejam promissores. A integração formal com Privacidade Diferencial (DP) para obter garantias $(\epsilon, \delta)$ e a otimização do custo computacional da homologia persistente em grandes conjuntos de dados são direções futuras.

O código e os dados estão disponíveis publicamente, promovendo a reprodutibilidade e a adoção da TDA no aprendizado federado.