BVFLMSP：プライバシー付きマルチモーダル生存に対するベイズ垂直フェデレーテッドラーニング

arXiv stat.ML / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、マルチモーダルな時点まで（生存）予測に対して、分散データを集約せずに学習を行うベイズ垂直フェデレーテッドラーニングの枠組み BVFLMSP を提案する。
BVFLMSP は分割型ニューラルネットワークを用い、各クライアントがモダリティごとにベイズニューラルネットワークを学習し、中間表現を摂動した形で中央サーバへ送信することで、生存リスク予測を行う。
クライアント側の表現に対して差分プライバシーを適用し、フェデレーテッド学習中の情報漏えいに対する形式的なプライバシー保証を与える。
実験では、単一モダリティおよび中央集約型のマルチモーダル・ベースライン（例：MultiSurvに対して C-index が最大 0.02 向上）と比べて識別性能が改善されるだけでなく、信頼性の高い意思決定のための不確実性推定も得られる。
本研究は、異なるプライバシーバジェットとモダリティ組合せにおける性能–プライバシーのトレードオフを分析し、より厳しいプライバシー制約下でも頑健であることを示す。

Abstract

マルチモーダルな時点（イベント）までの予測では、多数の当事者に分散した機微なデータを統合することがしばしば必要となり、プライバシー制約のために集中型のモデル学習を実現しにくいという問題があります。同時に、既存のほとんどのマルチモーダル生存モデルは、モデルの推定に対する確信度（信頼度）を示すことなく、単一の決定論的予測を生成するため、現実の意思決定において信頼性が制限される可能性があります。これらの課題に対処するため、Split Neural Network（分割ニューラルネットワーク）アーキテクチャに基づく、マルチモーダル時点までの分析のためのベイズ型垂直連合学習（VFL）フレームワークであるBVFLMSPを提案します。BVFLMSPでは、各クライアントがベイズニューラルネットワークを用いて特定のデータモダリティを独立にモデル化し、中央サーバが中間表現を集約して生存リスク予測を行います。プライバシーを強化するため、クライアント側の表現を伝送前に摂動させることで、連合学習中の情報漏えいに対する形式的なプライバシー保証を提供する差分プライバシーの仕組みを統合します。まず、提案するベイズ型マルチモーダル生存モデルを、広く用いられている単一モダリティの生存ベースラインおよび集中型マルチモーダルベースラインであるMultiSurvと比較して評価します。マルチモーダルの設定において、提案手法は識別性能で一貫した改善を示し、MultiSurvに比べて最大0.02高いC-indexを達成します。次に、異なるモダリティの組み合わせにわたって、変化するプライバシーバジェットの下で、連合学習と集中型学習を比較し、予測性能とプライバシーのトレードオフを明らかにします。実験結果は、BVFLMSPがマルチモーダルデータを効果的に活用し、既存のベースラインに比べて生存予測を改善すること、さらに厳しいプライバシー制約のもとでも頑健でありつつ、不確実性の推定を提供することを示しています。