面向金属增材制造的特征感知各向异性局部差分隐私：用于保持实用性的图表示学习
机器学习
2026-04-08 v1 人工智能
密码学与安全
摘要
金属增材制造（AM）使能够制造安全关键组件，但可靠的质量保证依赖于高保真传感器流，包含专有工艺信息，限制了协作式数据共享。现有的缺陷检测模型通常将熔池观察视为独立样本，忽略层间物理耦合。此外，传统隐私保护技术，特别是局部差分隐私（LDP），会导致严重的实用性降低，因为它们在所有特征维度上注入均匀噪声。为解决这些相互关联的挑战，我们提出了 FI-LDP-HGAT。该计算框架结合了两个方法性组件：一个分层图注意力网络（HGAT），用于捕获扫描轨迹和沉积层之间的空间和热力依赖关系，以及一种特征重要性感知的各向异性高斯机制（FI-LDP），用于非交互式特征隐私化。与各向同性 LDP 不同，FI-LDP 通过编码器派生的重要性先验，将隐私预算在嵌入坐标之间重新分配，将任务关键的热信号分配较低的噪声，将冗余维度分配较高的噪声，同时保持形式上的 LDP 保证。在定向能量沉积（DED）孔隙数据集上的实验表明，FI-LDP-HGAT 在适中隐私预算（epsilon=4）下实现了 81.5% 的实用性恢复，在严格隐私（epsilon=2）下保持缺陷召回率为 0.762，同时在所有评估指标上均优于经典机器学习、标准图神经网络和其他隐私机制，包括 DP-SGD。机械分析确认特征重要性与噪声幅度之间存在强烈的负相关性（Spearman=-0.81），提供了解释性证据，表明隐私-实用性收益是由原则性的各向异性分配驱动的。
引用
@article{arxiv.2604.05077,
title = {Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing},
author = {MD Shafikul Islam and Mahathir Mohammad Bappy and Saifur Rahman Tushar and Md Arifuzzaman},
journal= {arXiv preprint arXiv:2604.05077},
year = {2026}
}
备注
In Review in The ASME Journal of Computing and Information Science in Engineering (JCISE)