金属積層造形におけるユーティリティ保持型グラフ表現学習のための、機能（特徴）を考慮した異方的ローカル差分プライバシー

Abstract

金属の付加製造（AM）は安全性に重要な部品の製造を可能にしますが、信頼性の高い品質保証には、専有のプロセス情報を含む高忠実度なセンサーデータストリームが必要であり、これが共同でのデータ共有を制限しています。既存の欠陥検出モデルでは、溶融池の観測を通常は独立したサンプルとして扱い、層ごとの物理的な結合を無視することが多いです。さらに、従来のプライバシー保護技術、特にローカル差分プライバシー（LDP）は、全ての特徴次元に一様なノイズを注入するため、深刻な有用性の劣化を引き起こします。これらの相互に関連する課題に対処するため、私たちはFI-LDP-HGATを提案します。提案する計算フレームワークは、2つの方法論的構成要素を組み合わせます。すなわち、走査トラックおよび堆積層をまたいだ空間的・熱的依存関係を捉える階層化グラフ注意ネットワーク（HGAT）に基づく層別化（stratified）コンポーネントと、非インタラクティブな特徴の秘匿化のための特徴重要度に基づく異方性ガウス機構（FI-LDP）です。等方性LDPとは異なり、FI-LDPは、エンコーダから導出した重要度の事前分布を用いて埋め込み座標間にプライバシーバジェットを再配分し、タスクに重要な熱シグネチャにはより低いノイズを割り当て、冗長な次元にはより高いノイズを割り当てつつ、形式的なLDPの保証を維持します。Directed Energy Deposition（DED）の気孔率データセットでの実験により、FI-LDP-HGATは、中程度のプライバシーバジェット（epsilon = 4）で81.5%の有用性回復を達成し、厳格なプライバシー（epsilon = 2）下でも欠陥リコールが0.762を維持することが示されました。さらに、評価した全ての指標において、古典的なML、標準的なGNN、およびDP-SGDを含む代替のプライバシー機構よりも優れています。機構に関する分析では、特徴重要度とノイズ大きさの間に強い負の相関（Spearman = -0.81）が確認され、プライバシーと有用性の向上が原理に基づく異方的な配分によって駆動されていることを、解釈可能な根拠として示しています。