EcoFair：プライバシーを保護する垂直分割医療推論のための、信頼性が高くエネルギーを意識したルーティング

要旨: プライバシー保護型の医療推論では、データの局所性、診断の信頼性、導入効率のバランスを取る必要があります。本論文は、皮膚科診断のためのシミュレートされた縦方向分割推論フレームワークであるEcoFairを提示します。この枠組みでは、生の画像データと表形式データはローカルのままとし、サーバ側でのマルチモーダル融合のために、モダリティ固有の埋め込みのみを送信します。EcoFairは、ローカルでの不確実性またはメタデータから導かれる臨床リスクが追加計算を要すると示す場合に、より重い画像エンコーダを選択的に起動する軽量優先のルーティング機構を導入します。ルーティングの判断は、予測不確実性、「安全—危険」確率ギャップ、ならびに患者の年齢と病変の局在に基づいて導出される表形式のニューロシンボリック・リスクスコアを組み合わせます。3つの皮膚科ベンチマークに対する実験により、EcoFairは代表的なモデルの組み合わせにおいて、分類性能を競争力のある水準に維持しつつ、エッジ側での推論エネルギーを大幅に削減できることが示されました。さらに、その結果は、選択的ルーティングが、グローバルな訓練目的を変更することなく、代表的な設定においてサブグループに敏感な悪性例の振る舞いを改善し得ることも示しています。これらの知見は、エッジ導入における制約の下での、プライバシー保護かつエネルギーを意識した医療推論のための実用的なフレームワークとしてEcoFairを位置づけるものです。