論文の概要: Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2604.05077v1
• Date: Mon, 06 Apr 2026 18:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.438324
• Title: Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing
• Title（参考訳）: 金属添加物製造における実用性保護グラフ表現学習のための特徴認識型異方性局所微分プライバシー
• Authors: MD Shafikul Islam, Mahathir Mohammad Bappy, Saifur Rahman Tushar, Md Arifuzzaman,
• Abstract要約: 金属添加物製造は安全クリティカルな部品の製造を可能にするが、信頼性の高い品質保証は高忠実度センサストリームに依存する。 既存の欠陥検出モデルは、溶岩プールの観測を独立したサンプルとして扱い、層ワイドの物理的結合を無視している。 これらの課題に対処するためにFI-LDP-HGATを提案する。
• 参考スコア（独自算出の注目度）: 0.4199844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metal additive manufacturing (AM) enables the fabrication of safety-critical components, but reliable quality assurance depends on high-fidelity sensor streams containing proprietary process information, limiting collaborative data sharing. Existing defect-detection models typically treat melt-pool observations as independent samples, ignoring layer-wise physical couplings. Moreover, conventional privacy-preserving techniques, particularly Local Differential Privacy (LDP), lead to severe utility degradation because they inject uniform noise across all feature dimensions. To address these interrelated challenges, we propose FI-LDP-HGAT. This computational framework combines two methodological components: a stratified Hierarchical Graph Attention Network (HGAT) that captures spatial and thermal dependencies across scan tracks and deposited layers, and a feature-importance-aware anisotropic Gaussian mechanism (FI-LDP) for non-interactive feature privatization. Unlike isotropic LDP, FI-LDP redistributes the privacy budget across embedding coordinates using an encoder-derived importance prior, assigning lower noise to task-critical thermal signatures and higher noise to redundant dimensions while maintaining formal LDP guarantees. Experiments on a Directed Energy Deposition (DED) porosity dataset demonstrate that FI-LDP-HGAT achieves 81.5% utility recovery at a moderate privacy budget (epsilon = 4) and maintains defect recall of 0.762 under strict privacy (epsilon = 2), while outperforming classical ML, standard GNNs, and alternative privacy mechanisms, including DP-SGD across all evaluated metrics. Mechanistic analysis confirms a strong negative correlation (Spearman = -0.81) between feature importance and noise magnitude, providing interpretable evidence that the privacy-utility gains are driven by principled anisotropic allocation.
• Abstract（参考訳）: 金属添加物製造(AM)は安全クリティカルな部品の製造を可能にするが、信頼性の高い品質保証は、プロプライエタリなプロセス情報を含む高忠実度センサストリームに依存し、コラボレーティブなデータ共有を制限している。 既存の欠陥検出モデルは、通常、溶岩プールの観測を独立したサンプルとして扱い、層レベルでの物理的結合を無視している。 さらに、従来のプライバシ保存技術、特にローカル微分プライバシー(LDP)は、すべての特徴次元に均一なノイズを注入するため、深刻なユーティリティ劣化を引き起こす。 これらの課題に対処するため,FI-LDP-HGATを提案する。 階層化された階層グラフ注意ネットワーク(HGAT)は、走査線と堆積層をまたいだ空間的および熱的依存関係を捕捉し、非インタラクティブな特徴民営化のための特徴量認識異方性ガウス機構(FI-LDP)とを結合する。 等方性 LDP とは異なり、FI-LDP はエンコーダ由来の重要度を用いて、埋め込み座標にまたがるプライバシー予算を再分配し、タスククリティカルな熱署名に低ノイズを割り当て、冗長な次元に高ノイズを割り当て、正式な LDP 保証を維持している。 Directed Energy Deposition (DED) のポロシティデータセットの実験では、FI-LDP-HGATが適度なプライバシー予算 (epsilon = 4) で81.5%のユーティリティリカバリを実現し、厳格なプライバシ (epsilon = 2) の下で0.762の欠陥リカバリを維持している。 メカニスティック分析は、特徴の重要度と雑音の大きさの間の強い負の相関(Spearman = -0.81)を確認し、プライバシー効用ゲインが原則的異方性アロケーションによって駆動されるという解釈可能な証拠を提供する。

関連論文リスト

• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Frequency Estimation of Correlated Multi-attribute Data under Local Differential Privacy [5.258253745672122]
  ローカル微分プライバシー(LDP)は、ユーザのデータプライバシを保護する強力なツールである。 既存のLDPメカニズムは、すべての属性にプライバシ予算を分割するか、それぞれの属性を独立して扱うかのいずれかである。 我々は属性間の相関を利用して実用性を大幅に向上する新しいLCP機構であるCorrelated Randomized Response (Corr-RR)を提案する。
  論文  参考訳（メタデータ） (2025-07-23T13:52:45Z)
• LAPA-based Dynamic Privacy Optimization for Wireless Federated Learning in Heterogeneous Environments [24.88312051228607]
  Federated Learning(FL)は、デバイスのデータのプライバシ保護に基づく分散機械学習パラダイムである。 差分プライバシー(DP)技術は、勾配に人工ノイズを加えることで、プライベートデータ漏洩のリスクを低減する。 本稿では、各アグリゲーションラウンドのデバイスにパーソナライズされたプライバシ予算を割り当てる軽量適応プライバシ割り当て(LAPA)戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-26T11:00:31Z)
• Local Differential Privacy for Tensors in Distributed Computing Systems [10.175872331451567]
  高次元テンソルデータは、自律運転やスマートヘルスケアといった分散ビッグデータアプリケーションではますます一般的になっています。 伝統的な局所微分プライバシー法は、要素間の本質的な関係を保たないため、テンソルストライクには不十分である。 構造的整合性を維持しつつテンソル成分を摂動するランダム化応答機構を用いた新しいLCPアルゴリズムTLDPを導入する。
  論文  参考訳（メタデータ） (2025-02-25T14:11:45Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• $(ε, δ)$-Differentially Private Partial Least Squares Regression [1.8666451604540077]
  我々は,モデルに基づくデータのプライバシーを確保するために,$(epsilon, delta)$-differentially private PLS (edPLS)アルゴリズムを提案する。 実験により、EDPLSはトレーニングデータに固有の変動源を回復することを目的とした、効果的なプライバシー攻撃を施すことが示されている。
  論文  参考訳（メタデータ） (2024-12-12T10:49:55Z)
• Explainable Differential Privacy-Hyperdimensional Computing for Balancing Privacy and Transparency in Additive Manufacturing Monitoring [5.282482641822561]
  本稿では,DP-HDフレームワークについて紹介する。 DP-HDはDPノイズレベルを正確に調整し、プライバシーと性能の最適なバランスを確保する。 医療、金融サービス、政府データ管理など、プライバシに敏感な分野において、より広範な応用を約束している。
  論文  参考訳（メタデータ） (2024-07-09T17:42:26Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。