Decentralised Federated Learning Framework for Privacy-Preserving Medical Insurance and Sustainable Rural Economic Development in Tamil Nadu

Resumo Técnico: Estrutura de Aprendizado Federado Descentralizado para Seguro Médico Preservador de Privacidade

Problema
O empreendedorismo de seguros médicos rurais na Índia, particularmente em Tamil Nadu, enfrenta um gargalo crítico: dados de saúde fragmentados e isolados. Agentes de seguros, centros de saúde primários e microseguradoras cooperativas possuem dados de clientes, mas não podem agrupá-los legal ou praticamente devido a preocupações com a privacidade e restrições regulatórias. Esse isolamento de dados impede o treinamento de modelos de avaliação de risco precisos e equitativos, dificultando o desenvolvimento do setor de Insurtech rural. Embora o Aprendizado Federado (FL - Federated Learning) ofereça uma solução teórica ao permitir o treinamento colaborativo de modelos sem a centralização dos dados brutos, as implementações existentes frequentemente falham em abordar as compensações específicas entre garantias de privacidade, precisão do modelo e a heterogeneidade das distribuições de dados rurais. Além disso, alegações anteriores de equivalência "isenta de custos" entre modelos federados e centralizados foram contestadas quanto ao rigor da contabilidade de privacidade e validação estatística.

Metodologia
O artigo propõe e avalia o TW-DP-FedAvg, uma arquitetura federada que integra o Diferencial de Privacidade Gaussiano (DP) com recorte de gradiente (gradient-clipped) a uma regra de agregação de clientes ponderada por confiança. O estudo aborda três lacunas metodológicas específicas identificadas em trabalhos anteriores:

1. Contabilidade de Privacidade Rigorosa: Em vez de relatar parâmetros de privacidade por rodada não compostos, os autores fixam um orçamento de privacidade total ($\epsilon_{total} = 8$) ao longo de 40 rodadas de comunicação. Utilizando o Teorema de Composição Avançada, eles derivam um orçamento por rodada mais rigoroso ($\epsilon_0 \approx 0,207$) para garantir que a garantia cumulativa de privacidade seja defensável.
2. Agregação Ponderada por Confiança: A estrutura pondera as atualizações dos clientes com base em uma métrica de confiança ($trust_c = 1/(1 + BCE_c)$), onde $BCE_c$ é a perda de entropia cruzada binária local, multiplicada pelo tamanho da amostra local.
3. Design Experimental:
   • Conjuntos de Dados: Devido à falta de registros reais de seguros de Tamil Nadu rural, o estudo utiliza dois benchmarks públicos: o Medical Cost Personal Dataset ($n=1.338$) e o Pima Indians Diabetes Dataset ($n=768$).
   • Particionamento: Os dados são particionados em cinco fragmentos de distritos simulados usando uma distribuição de Dirichlet ($\alpha$) para modelar dados não-IID (heterogêneos), substituindo divisões ad hoc anteriores.
   • Validação Estatística: O estudo emprega Testes de Uma-Lateral Duplo (TOST) para teste de equivalência com limites de $\pm 3$ pontos percentuais de precisão, além de testes t pareados, testes de postos sinalizados de Wilcoxon e tamanhos de efeito de Cohen $d$.
   • Ablação: Um estudo de ablação $2 \times 2$ isola os efeitos independentes do mecanismo de DP e da regra de ponderação por confiança.

Principais Resultados
A análise revisada produz conclusões mais conservadoras e estatisticamente robustas em comparação com a submissão original:

• Compensação entre Precisão e Privacidade: Sob o orçamento de privacidade composto e corrigido, o modelo federado incorre em um custo de precisão mensurável em relação à linha de base centralizada.
  • No conjunto de dados Medical Cost, o TW-DP-FedAvg alcançou 81,7% de precisão contra 88,8% da linha de base centralizada (uma lacuna de 7,1%). A diferença é estatisticamente significativa ($p=0,046$), e o teste de equivalência TOST falhou em estabelecer que o modelo federado está dentro do limiar de $\pm 3\%$ da linha de base centralizada ($p=0,893$).
  • No conjunto de dados Pima Diabetes, a lacuna de precisão foi negligenciável (71,1% vs. 71,4%), mas o F1-score para a classe minoritária caiu significativamente (0,366 vs. 0,612) sob o orçamento de privacidade mais rigoroso, indicando um impacto negativo no recall.
• Descobertas de Ablação: A penalidade de precisão é impulsionada principalmente pelo mecanismo de Privacidade Diferencial (injeção de ruído), não pela regra de ponderação por confiança. A agregação ponderada por confiança apresentou desempenho comparável à ponderação padrão por tamanho de amostra em termos de precisão bruta.
• Impacto da Heterogeneidade: O proposto Escore de Inclusão de Ecossistema (EIS) demonstrou uma diminuição monotônica conforme a heterogeneidade dos dados aumentava (Dirichlet $\alpha$ diminuía). O EIS caiu de 0,970 (baixa heterogeneidade) para 0,868 (alta heterogeneidade) no benchmark de Medical Cost, confirmando a sensibilidade da métrica às estruturas de dados não-IID.

Significância e Alegações
O artigo posiciona o TW-DP-FedAvg não como um substituto perfeito e isento de custos para a análise centralizada, mas como uma infraestrutura de nível de ecossistema viável que exige uma compensação consciente.

• Contribuição Revisada: O estudo retrai explicitamente as alegações de "equivalência" entre modelos federados e centralizados sob um orçamento de privacidade defensável. Em vez disso, estabelece que o treinamento federado acarreta um custo de precisão mensurável.
• Contexto de Política e Empreendedorismo: Os achados estão fundamentados na Lei de Proteção de Dados Pessoais Digitais (DPDPA) 2023 da Índia e no sandbox regulatório da IRDAI. Os autores argumentam que, embora a tecnologia ofereça um caminho para que as Insurtechs rurais colaborem sem centralizar dados sensíveis, as partes interessadas (reguladores e empreendedores) devem reconhecer a penalidade de precisão.
• Limitações: Os autores enfatizam que o estudo é uma prova de conceito técnica utilizando conjuntos de dados substitutos (proxy). Ele não valida a economia unitária, a viabilidade de capital de risco ou a implementação em campo com intermediários rurais reais. A discussão sobre ecossistemas empreendedores é uma extrapolação conceitual, observando que a infraestrutura sozinha é insuficiente para catalisar a emergência de um ecossistema sem abordar canais de financiamento, mentoria e distribuição.

Em resumo, o artigo fornece uma avaliação rigorosa e corrigida de uma estrutura de aprendizado federado preservadora de privacidade, demonstrando que, embora permita a colaboração de dados em mercados rurais fragmentados, isso ocorre às custas do desempenho preditivo, uma compensação que deve ser gerida por futuros participantes regulatórios e de mercado.