FedSCS-XGB -- Federated Server-centric surrogate XGBoost for continual health monitoring

Este artigo apresenta o FedSCS-XGB, um protocolo de aprendizado de máquina distribuído baseado em XGBoost que permite o monitoramento contínuo de saúde em dispositivos vestíveis com desempenho equivalente ao treinamento centralizado, preservando a privacidade dos dados e as propriedades estruturais do modelo.

O essencial

Imagine que você tem um grupo de amigos que vivem em cidades diferentes e cada um tem um relógio inteligente que monitora a saúde deles. O objetivo é criar um "super-consultor de saúde" que aprenda com todos eles ao mesmo tempo, para detectar problemas como quedas de pressão ou feridas por pressão (comuns em pessoas com lesão na medula espinhal) antes que aconteçam.

O problema? Ninguém quer enviar os dados brutos do relógio para um servidor central, porque isso é como entregar o diário pessoal de cada um para um estranho ler. É invasivo e arriscado.

Aqui entra o FedSCS-XGB, a solução proposta neste artigo. Vamos descomplicar como isso funciona usando uma analogia simples:

A Analogia: O Mestre Culinário e os Chefs Locais

1. O Cenário (O Desafio):
   Imagine um Mestre Culinário (o Servidor Central) que quer criar a receita perfeita de um bolo. Ele precisa saber como os ingredientes se comportam. Mas ele não pode ir até as casas dos Chefs Locais (os dispositivos vestíveis dos pacientes) para pegar os ingredientes, porque isso é caro e invasivo.

2. A Solução Antiga (XGBoost Centralizado):
   O jeito tradicional seria o Mestre pedir que todos os Chefs enviassem todos os seus ingredientes (dados brutos) para ele. Ele misturaria tudo em uma panela gigante e criaria a receita. O problema é que os Chefs não querem enviar os ingredientes, e o volume de dados seria enorme.

3. A Solução "Party-Adaptive" (PAX - O Antigo Método):
   Os pesquisadores anteriores tentaram algo onde cada Chef criava um "rascunho" ou um "mapa aproximado" dos seus ingredientes e enviava apenas isso. O Mestre juntava os mapas. Funcionava, mas os mapas às vezes não batiam direito entre si, e a receita final ficava um pouco "fora do ponto" (menos precisa).

4. A Nova Solução (FedSCS-XGB):
   Os autores criaram um novo protocolo, o FedSCS-XGB. Pense nele como um Mestre Culinário muito organizado que usa um sistema de "balanças e caixas" inteligentes:

   • Passo 1: O Roteiro (Sketch Rounds): O Mestre pergunta aos Chefs: "Quem tem ingredientes pesados (dados importantes) e quem tem leves?" Os Chefs não enviam os ingredientes, apenas enviam um "esboço" matemático rápido que diz: "Tem 10% de farinha pesada aqui, 20% de açúcar ali". O Mestre junta esses esboços e cria uma lista de caixas padronizadas (chamada de histogramas).
   • Passo 2: A Classificação (Atom Rounds): Agora, o Mestre diz: "Ok, todos vocês, peguem seus ingredientes e coloquem na caixa número 3 se forem pesados, ou na caixa número 5 se forem leves". Os Chefs fazem isso localmente e somam apenas o peso total de cada caixa. Eles enviam apenas: "Na caixa 3, temos 5kg de farinha; na caixa 5, 2kg de açúcar".
   • O Resultado: O Mestre recebe apenas os totais das caixas. Ele não viu os ingredientes individuais, mas consegue calcular a receita perfeita com base nesses totais.

Por que isso é genial?

• Privacidade Total: O Mestre nunca viu o ingrediente individual de ninguém. Ele só viu os totais das caixas. É como se você dissesse ao seu banco "gastei R$ 50 em comida" sem dizer o que você comeu.
• Precisão: Diferente do método antigo (PAX), onde os mapas dos Chefs podiam ser confusos, o FedSCS-XGB força todos a usarem as mesmas caixas padronizadas. Isso faz com que a "receita" final seja quase idêntica à que o Mestre teria feito se tivesse todos os ingredientes na mesa (o que chamamos de treinamento centralizado).
• Eficiência: Enviar apenas os pesos das caixas é muito mais rápido e gasta menos bateria do que enviar todos os dados brutos.

O Que Eles Descobriram?

Os pesquisadores testaram isso com dados reais de pessoas com lesão na medula espinhal usando sensores vestíveis (como relógios e sensores na cadeira de rodas).

• Resultado: O novo método (FedSCS-XGB) ficou quase perfeito (menos de 1% de diferença) em comparação com o método centralizado (que tem todos os dados).
• Comparação: Ele funcionou muito melhor e foi mais estável do que o método antigo (PAX), especialmente porque os dados de saúde são muito variados (cada pessoa se move de um jeito diferente).

Resumo em uma Frase

O FedSCS-XGB é como um sistema onde um professor pode aprender com os cadernos de todos os alunos para criar um livro de regras perfeito, sem nunca precisar pegar os cadernos dos alunos emprestados, garantindo que a privacidade de cada um seja respeitada, mas a qualidade do aprendizado seja a mesma de ter todos os cadernos na sala.

Isso é crucial para o futuro da saúde, permitindo que dispositivos vestíveis nos ajudem a viver melhor e mais seguros, sem que precisemos abrir mão da nossa privacidade.

Resumo técnico

Título: FedSCS-XGB: Um Protocolo Federado Baseado em XGBoost para Monitoramento Contínuo de Saúde

1. Problema e Motivação

O artigo aborda o desafio de monitorar condições de saúde crônicas, especificamente em pacientes com Lesão Medular (SCI - Spinal Cord Injury), que enfrentam riscos como feridas por pressão e instabilidade da pressão arterial.

• Desafio Principal: O monitoramento contínuo via sensores vestíveis gera fluxos de dados heterogêneos, não estacionários e altamente sensíveis à privacidade. Modelos centralizados de Human Activity Recognition (HAR) exigem a transferência de dados brutos para um servidor, o que viola a privacidade e a governança de dados.
• Limitação das Soluções Atuais: Embora a Federated Learning (FL) permita treinar modelos sem compartilhar dados brutos, a maioria das abordagens atuais foca em Redes Neurais (Deep Learning), que são computacionalmente pesadas para dispositivos de borda (wearables) e carecem de interpretabilidade. Por outro lado, algoritmos de Gradient Boosted Decision Trees (como o XGBoost), que são eficientes e interpretáveis, geralmente assumem acesso centralizado aos dados, dificultando sua aplicação em cenários federados.
• Objetivo: Desenvolver um protocolo de Aprendizado de Máquina Distribuído (DML) que preserve as propriedades estruturais e de otimização do XGBoost centralizado, permitindo treinamento colaborativo e privado em dispositivos vestíveis.

2. Metodologia: FedSCS-XGB

Os autores propõem o FedSCS-XGB (Federated Server-Centric Surrogate XGBoost), um protocolo inspirado no Party-Adaptive XGBoost (PAX), mas com melhorias fundamentais para manter a equivalência com o XGBoost centralizado.

• Arquitetura do Protocolo: O protocolo alterna entre duas fases de comunicação síncronas:
  1. Rodadas de Esboço (Sketch Rounds): Os clientes enviam DDSketches (estruturas de dados probabilísticas para estimativa de quantis) ponderadas pelos Hessianos (segunda derivada da função de perda) para o servidor. O servidor funde esses esboços para determinar as bordas globais dos histogramas (bins).
  2. Rodadas de Átomos (Atom Rounds): Os clientes quantizam seus dados locais usando as bordas globais recebidas. Em vez de enviar dados brutos ou gradientes individuais, eles agregam estatísticas suficientes (peso $W$, gradiente $G$, Hessiano $H$) por "átomo" (vetor de IDs de bins) e enviam apenas essas estatísticas agregadas ao servidor.
• Treinamento no Servidor: O servidor constrói as árvores de decisão utilizando as estatísticas agregadas, selecionando os melhores cortes (splits) para cada nó com base na função de ganho do XGBoost.
• Diferenças Chave em relação ao PAX:
  • O FedSCS-XGB separa explicitamente a estimativa das bordas dos bins da agregação das estatísticas.
  • Mantém a construção nativa de histogramas e a dinâmica de busca de divisões do XGBoost, ao contrário do PAX, que adapta a estrutura do modelo para restrições de protocolo.
  • Realiza a previsão local e o cálculo de gradientes nos valores de características brutos, usando os bins apenas para agregação.

3. Contribuições Principais

1. Análise Teórica de Convergência: Os autores provam que, sob condições adequadas de dados e seleção de hiperparâmetros, o protocolo distribuído converge para soluções equivalentes ao treinamento centralizado do XGBoost. A prova demonstra que a diferença no valor da função objetivo entre o método distribuído e o centralizado pode ser arbitrariamente pequena ($\epsilon$) à medida que a precisão dos esboços (sketches) aumenta.
2. Design do Protocolo: Criação de um protocolo de XGBoost federado que preserva os mecanismos centrais de boosting e construção de histogramas, garantindo eficiência na comunicação e privacidade.
3. Validação Empírica: Avaliação do modelo em um conjunto de dados realista de HAR baseado em sensores vestíveis para usuários de cadeira de rodas, simulando cenários de monitoramento remoto com heterogeneidade de dados.

4. Resultados Experimentais

O estudo foi realizado utilizando dados de 8 indivíduos com SCI, classificando 16 atividades de vida diária (AVDs) e estados (ex: uso de computador, transferência, pressão de alívio). O modelo foi implementado sobre o framework Flower.

• Comparação de Desempenho:
  • FedSCS-XGB vs. XGBoost Centralizado: O método proposto alcançou um desempenho muito próximo ao do modelo centralizado, com uma lacuna de precisão (accuracy gap) inferior a 1,5% (e frequentemente abaixo de 1%) em todas as configurações de tamanho de bin (64 a 512).
  • FedSCS-XGB vs. PAX: O FedSCS-XGB superou consistentemente o protocolo PAX em precisão e pontuação F1, especialmente em cenários com desequilíbrio de classes e heterogeneidade entre clientes. O PAX mostrou uma degradação de desempenho mais significativa.
• Estabilidade: O FedSCS-XGB demonstrou maior estabilidade nas pontuações F1 entre diferentes clientes, indicando robustez contra a variabilidade dos dados.
• Impacto do Tamanho do Bin: O desempenho estabilizou ao aumentar o número de bins de 128 para 512, sugerindo que o alinhamento global dos bins é mais crítico do que a resolução excessiva.

5. Significado e Conclusão

• Viabilidade para Dispositivos de Borda: O trabalho demonstra que é possível utilizar modelos de árvores de decisão (interpretáveis e leves) em ambientes federados sem sacrificar significativamente a precisão, superando a necessidade de modelos de redes neurais pesados para monitoramento contínuo.
• Mecanismo de Alinhamento Global: A pesquisa destaca que o alinhamento global dos histogramas baseado em Hessianos (Hessian-weighted bin alignment) é um mecanismo chave para o sucesso do aprendizado de árvores federadas em dados heterogêneos.
• Aplicação Clínica: O sistema é particularmente relevante para a reabilitação e monitoramento de pacientes com lesão medular, onde a privacidade dos dados e a detecção precoce de complicações são vitais.
• Limitações e Futuro: Atualmente, o modelo não suporta personalização (aprendizado individualizado por paciente), o que é um foco para trabalhos futuros, juntamente com a aplicação em conjuntos de dados longitudinais ruidosos.

Em suma, o FedSCS-XGB preenche uma lacuna importante na literatura de Federated Learning, oferecendo uma solução escalável, privada e interpretável para o monitoramento de saúde contínua baseada em sensores vestíveis.