Resumo Técnico: PrivFusion

Declaração do Problema

O crescimento rápido de dados clínicos e biomédicos impulsionou a adoção de Aprendizado de Máquina (ML) para tarefas como previsão de risco e descoberta de coortes. No entanto, a agregação centralizada tradicional de dados é frequentemente inviável para informações sensíveis (por exemplo, registros eletrônicos de saúde) devido a restrições de privacidade, segurança e governança. Embora o Aprendizado Federado (FL) ofereça uma alternativa distribuída mantendo os dados no local, sua implantação no mundo real é dificultada pela heterogeneidade dos dados entre instituições.

Conjuntos de dados clínicos frequentemente diferem em definições de características, sistemas de codificação, granularidade e práticas de medição. Antes que a análise distribuída possa ocorrer, esses conjuntos de dados devem ser harmonizados — um processo intensivo em mão de obra envolvendo alinhamento de variáveis e resolução semântica. Metodologias atuais de FL frequentemente assumem irrealisticamente que a harmonização já foi concluída previamente, criando um gargalo significativo. Soluções existentes baseadas em ontologias frequentemente exigem centralização ou mapeamentos predefinidos, que são difíceis de estabelecer entre instituições com fluxos de trabalho diferentes. Há uma necessidade crítica de métodos de harmonização automatizados, escaláveis e que preservem a privacidade, operando em ambientes distribuídos sem centralizar dados sensíveis brutos.

Metodologia: O Framework PrivFusion

O PrivFusion é um framework multiagente que preserva a privacidade, projetado para automatizar a harmonização de conjuntos de dados estruturados antes do treinamento federado. Ele opera em um modelo de ameaça honesto, mas curioso, onde um servidor central segue o protocolo, mas pode tentar inferir informações sensíveis. O framework envolve duas partes: pesquisadores (que detêm conjuntos de dados locais) e um servidor (agregador).

O processo é iterativo e consiste em quatro etapas principais:

1. Geração Local de Metadados (Analisador de Conjunto de Dados):
   Cada pesquisador analisa localmente seu conjunto de dados ($D_i$) usando um conjunto de agentes para gerar metadados ($M_i$) sem compartilhar dados brutos. Isso inclui:

   • Extração de Características: Identificação de tipos de dados (por exemplo, string, numérico) e tipos semânticos usando uma ontologia de propósito geral (DBPedia).
   • Geração de Descrições: Agentes ($A_D$, $A_F$) geram descrições de conjuntos de dados e descrições semânticas de características.
   • Inferência de Relações: Um agente ($A_R$) infere relações entre características, enquanto outro ($A_T$) extrai tópicos relevantes.
   • Dados Sintéticos: Pesquisadores geram $n$ amostras sintéticas de baixa utilidade usando abordagens de Privacidade Diferencial (DP) para orientar o servidor sobre formatos e domínios de características.

2. Agrupamento de Características (Lado do Servidor):
   O servidor recebe metadados ($M_i$) de todos os locais. Um agente ($A_C$) agrupa características entre conjuntos de dados com base na similaridade semântica (nomes, tipos de dados e URIs do DBPedia). Características dentro do mesmo agrupamento são identificadas como candidatas para consolidação ou alinhamento.

3. Recomendação de Transformação (Lado do Servidor):
   Um agente de recomendação ($A_H$) analisa os agrupamentos e metadados para determinar as transformações necessárias. Ele compara URIs do DBPedia e descrições semânticas para convergir para uma URI representativa e um nível de granularidade. O servidor gera instruções específicas para cada local, detalhando quais características combinar, remover ou modificar, e a representação alvo.

4. Transformação Local e Iteração:
   Pesquisadores aplicam as transformações recomendadas localmente usando scripts Python ou um LLM de geração de código ($M_C$). Os metadados atualizados são reenviados ao servidor. Este loop continua até que nenhuma transformação adicional seja necessária ou que um número máximo de iterações ($T$) seja atingido.

Contribuições Principais

• Harmonização Automatizada com Preservação de Privacidade: O PrivFusion introduz um framework que automatiza o alinhamento de conjuntos de dados heterogêneos entre instituições sem centralizar dados brutos, abordando um pré-requisito crítico para o FL frequentemente negligenciado na literatura.
• Arquitetura Multiagente: O sistema aproveita agentes especializados para tarefas distintas (análise, agrupamento, recomendação, geração de código) para lidar com a complexidade do alinhamento semântico e da lógica de transformação.
• Alinhamento Semântico Orientado por Ontologia: Ao utilizar URIs do DBPedia e descrições semânticas, o framework vai além da simples correspondência de strings para raciocinar sobre o significado semântico das características, permitindo o alinhamento de colunas conceitualmente equivalentes, mas estruturalmente diferentes.
• Orientação por Dados Sintéticos: O uso de amostras sintéticas de baixa utilidade permite que o servidor compreenda domínios e formatos de características enquanto mantém garantias de privacidade, evitando o vazamento de estatísticas em nível individual.

Avaliação e Resultados

O framework foi avaliado em quatro conjuntos de dados reais e heterogêneos de COVID-19 da Indonésia (IDN), Afeganistão (AFG), Itália (IT) e EUA. Esses conjuntos de dados apresentaram diferenças significativas em formatos de data, granularidade de localização (por exemplo, condado vs. província vs. país) e convenções de nomenclatura de características.

Configuração Experimental:

• Modelos: Os autores testaram várias combinações de Modelos de Linguagem Grandes (LLMs), incluindo GPT-OSS-120b (GPT-120b), Llama-3-70b (Llama-70b) e DeepSeek-Coder-33b (DSC-33b).
• Métricas: Velocidade de convergência (número de iterações), total de transformações recomendadas e número de características comuns (compartilhando nome e URI do DBPedia) pós-harmonização.

Principais Descobertas:

• Eficiência: O PrivFusion geralmente alcançou a harmonização em 2–3 iterações para combinações de conjuntos de dados em pares. Por exemplo, o par IDN-AFG convergiu em 2 iterações usando GPT-120b.
• Alinhamento de Características: O framework padronizou com sucesso nomes de características (por exemplo, para snake_case), harmonizou formatos de data e alinhou granularidades de localização.
• Impacto do LLM:
  • GPT-120b demonstrou aderência superior às instruções, frequentemente reconhecendo quando iterações adicionais eram desnecessárias e favorecendo atualizações incrementais.
  • Llama-70b mostrou maior criatividade, mas ocasionalmente aplicou incorretamente etapas de normalização ou introduziu alterações desnecessárias (por exemplo, renomeando características arbitrariamente), levando a contagens de iteração mais altas em algumas configurações.
  • DeepSeek-Coder produziu código correto, mas ocasionalmente gerou respostas incompletas que exigiam intervenção manual.
• Escalabilidade: A complexidade aumentou de forma não linear com o número de partes. Enquanto a harmonização em pares exigiu poucas transformações, cenários multipartidários (por exemplo, AFG-IDN-IT) exigiram significativamente mais transformações (até 49 em algumas configurações) e iterações.
• Convergência: As pontuações de Similaridade de Jaccard entre nomes de características geralmente atingiram o pico dentro de 3–6 iterações, indicando estabilização rápida do esquema.

Significado e Limitações

Significado:
O PrivFusion demonstra que a harmonização automatizada e com preservação de privacidade é viável e eficaz. Ao reduzir o ônus manual de alinhar conjuntos de dados, amplia o acesso à análise colaborativa e melhora a generalizabilidade dos modelos resultantes. O framework conecta com sucesso a lacuna entre o potencial teórico do Aprendizado Federado e a realidade prática de dados clínicos heterogêneos e isolados.

Limitações:

• Dependência de LLM: O desempenho depende da consistência de raciocínio do LLM subjacente, que pode variar. LLMs podem ocasionalmente super-alinhar ou sub-alinhar características.
• Humano no Loop: Em configurações clínicas de alto risco, os autores reconhecem que a revisão humana das recomendações é provavelmente necessária para garantir precisão e confiabilidade semânticas.
• Garantias Teóricas: Embora o framework tenha convergido nos experimentos, ele carece de garantias teóricas quanto ao número de iterações necessárias para a convergência.
• Custo Computacional: O fluxo de trabalho multiagente pode ser computacionalmente intensivo, potencialmente apresentando desafios para instituições com recursos limitados.

O artigo conclui que, embora o PrivFusion harmonize efetivamente conjuntos de dados com transformações mínimas, trabalhos futuros explorarão sua aplicação em domínios adicionais e a avaliação de LLMs alternativos para aprimorar ainda mais a escalabilidade.