Inferencia robusta para el metaaprendizaje federado

Área de la Ciencia:

• Ciencia de los datos
• Inferencia estadística
• Aprendizaje automático

Sus antecedentes:

• La síntesis de datos de múltiples fuentes es crucial para el conocimiento generalizable, pero se enfrenta a desafíos debido a la heterogeneidad de los datos y las restricciones de intercambio.
• El metaaprendizaje federado ofrece una solución al permitir el entrenamiento de modelos colaborativos en múltiples sitios sin centralizar datos.

Objetivo del estudio:

• Desarrollar un marco de inferencia sólido para el metaaprendizaje federado que facilite la inferencia estadística para el modelo prevaleciente en diversas fuentes de datos.
• Abordar los desafíos de la incertidumbre de la selección del sitio y la heterogeneidad de los datos en entornos de aprendizaje federados.

Principales métodos:

• Se propone un nuevo método de muestreo para gestionar la variación adicional introducida por la selección de sitios adaptativos a los datos.
• Se desarrolla un intervalo de confianza que es válido sin requerir una selección de sitio libre de errores y que no requiere el intercambio de datos a nivel individual.
• La inferencia robusta para la metodología de metaaprendizaje federado (RIFL) se demuestra a través de varios problemas de inferencia, incluida la agregación de modelos paramétricos, la predicción de alta dimensión y la estimación del efecto promedio del tratamiento.

Principales resultados:

• La metodología RIFL proporciona una inferencia estadística válida para el modelo predominante en entornos de metaaprendizaje federados.
• El intervalo de confianza propuesto tiene en cuenta la incertidumbre de la selección sin comprometer la privacidad de los datos.
• RIFL se aplicó con éxito al aprendizaje federado del riesgo de mortalidad por COVID-19 utilizando datos de EHR del mundo real de 15 centros de atención médica.

Conclusiones:

• RIFL ofrece un marco ampliamente aplicable y robusto para el metaaprendizaje federado, mejorando la generalización del conocimiento a partir de datos de múltiples fuentes.
• La metodología aborda eficazmente la heterogeneidad de los datos y las limitaciones de intercambio, lo que permite una inferencia estadística fiable.
• La aplicación al riesgo de mortalidad por COVID-19 demuestra la utilidad práctica de RIFL en escenarios de atención médica del mundo real.