可解释差分隐私超维计算：用于Additive Manufacturing监测中隐私与透明度平衡

集成了现场感知的机器学习模型为增材制造（Additive Manufacturing, AM）中的缺陷检测提供了变革性解决方案，但这种集成带来了对敏感数据（如零件设计和材料组成）的关键隐私保护挑战。差分隐私（Differential Privacy, DP）通过引入数学上可控的噪声，提供了数据实用性与隐私性之间的平衡。然而，黑箱人工智能（AI）模型常常掩盖了这种噪声如何影响模型准确率，从而 complicating 隐私-准确率权衡的优化。本研究引入差分隐私超维计算（DP-HD）框架，一种新型方法结合可解释人工智能（Explainable AI, XAI）和向量符号范式，用于量化和预测噪声对准确率的影响，并基于信噪比（Signal-to-Noise Ratio, SNR）指标进行评估。DP-HD enables precise tuning of DP noise levels, ensuring an optimal balance between privacy and performance. 本框架已使用真实世界的AM数据进行验证，证明其适用于工业环境。实验结果表明，DP-HD在AM的异常检测中能够实现最高的准确率（94.43%），并在显著噪声条件下保持稳健的隐私保护。除了AM，DP-HD在医疗保健、金融服务和政府数据管理等隐私敏感领域具有广泛的应用前景，在这些领域中，保障数据安全的同时保持高效的机器学习性能至关重要。