Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان: "الخصوصية التفاضلية المحلية متباينة الخواص والمدركة للميزات للحفاظ على المنفعة في تعلم تمثيل الرسوم البيانية لعمليات التصنيع المضاف للمعادن."

1. بيان المشكلة

تعالج الورقة تحديين حرجين ومترابطين في التصنيع المضاف للمعادن (AM)، وتحديداً في عمليات الترسيب باستخدام الطاقة الموجهة (DED):

• فجوة النمذجة العلاقاتية: تتعامل نماذج كشف العيوب الحالية (مثل الشبكات العصبية الالتفافية CNNs، والشبكات العصبية المتكررة LSTMs) عادةً مع ملاحظات حوض الصهر كعينات مستقلة. وهذا يتجاهل الواقع الفيزيائي للتصنيع المضاف، حيث يتحدد تشكل العيوب (تحديداً المسامية) من خلال ارتباطات فيزيائية على مستوى الطبقات، مثل تراكم الحرارة من مسارات المسح المجاورة والتاريخ الحراري من الطبقات السفلية.
• المقايضة بين الخصوصية والمنفعة: تتطلب مراقبة الجودة التعاونية مشاركة بيانات المستشعرات، لكن البيانات الخام تحتوي على "بصمات عمليات" مملوكة (مثل التوقيعات الحرارية ومسارات المسح). وبينما توفر الخصوصية التفاضلية المحلية (LDP) ضمانات خصوصية رسمية، فإن آليات LDP القياسية تضخ ضجيجاً متماثل المناحي (Isotropic) (ضجيج منتظم عبر جميع الأبعاد). وفي التمثيلات عالية الأبعاد المستخدمة في التصنيع، يؤدي هذا الضجيج إلى إفساد كل من التوقيعات الحرارية الحرجة للمهمة والأبعاد غير الضرورية بشكل موحد، مما يؤدي إلى تدهور شديد في منفعة كشف العيوب.

الهدف: تطوير إطار عمل يتيح تعلم الرسوم البيانية التعاوني والحفاظ على الخصوصية للتنبؤ بالمسامية دون تدمير المعلومات الهيكلية اللازمة لكشف العيوب بدقة.

---

2. المنهجية: FI-LDP-HGAT

يقترح المؤلفون FI-LDP-HGAT، وهو إطار حوسبي يجمع بين مكونين مبتكرين:

أ. الخصوصية التفاضلية المحلية متباينة الخواص والمدركة لأهمية الميزات (FI-LDP)

بدلاً من حقن الضجيج المنتظم، تقوم FI-LDP بإعادة توزيع ميزانية الخصوصية بناءً على الأهمية التنبؤية لأبعاد الميزات.

• التحمية الخاضعة للإشراف (Supervised Warmup): قبل عملية الخصخصة، يتم تدريب مصنف خفيف الوزن على البيانات الخام لتقدير أولوية أهمية الميزات العالمية ($q$). يحدد هذا الأولوية التي تعتبر فيها إحداثيات التضمين الأكثر أهمية للتمييز بين المناطق المسامية وغير المسامية.
• التخصيص متباين الخواص (Anisotropic Allocation): باستخدام تخصيص قانون القوة المتحكم فيه بالحرارة، يتم إعادة توزيع ميزانية الخصوصية الإجمالية ($\epsilon$):
  • الأبعاد عالية الأهمية: تُخصص لها قيمة $\epsilon$ أكبر (ضجيج أضعف).
  • الأبعاد منخفضة الأهمية: تُخصص لها قيمة $\epsilon$ أصغر (ضجيج أقوى).
• الآلية: تضيف آلية غاوس متباينة الخواص ضجيجاً يعتمد على الإحداثيات بمقاييس متغيرة حسب البعد ($\sigma_d$)، مما يضمن ضمانات $(\epsilon, \delta)$-LDP رسمية مع الحفاظ على هندسة الفضاءات الفرعية الحرجة للمهمة.

ب. الشبكة العصبية الرسومية ذات الانتباه الهرمي الطبقي (HGAT)

لالتقاط الارتباطات الفيزيائية التي تتجاهلها النماذج ذات العينات المستقلة، يستخدم الإطار شبكة عصبية رسومية متخصصة.

• بناء الرسم البياني الطبقي (Layer-Stratified): تمثل العقد ملاحظات حوض الصهر. وتقتصر الحواف على الجوار داخل الطبقة الواحدة لاحترام التدرج الفيزيائي لعملية التصنيع المضاف.
• حواف kNN الهجينة: يتم تحديد الاتصال باستخدام مقياس مسافة هجين يجمع بين:
  1. التقارب المكاني (إحداثيات داخل الطبقة).
  2. تشابه التضمين الحراري (الميزات المتعلمة).
• الانتباه المنحاز لتقارب الحواف (Edge-Affinity Biased Attention): تدمج HGAT هذا التقارب في المسافة كأولوية للحافة ($w_{ij}$) في آلية الانتباه. يعمل هذا على توجيه تمرير الرسائل نحو الجيران الذين هم قريبون مكانياً ومتشابهون حرارياً في آن واحد، مما ينمذج بفعالية تراكم الحرارة وتفاعلات المسارات.

ج. استراتيجية تعزيز البيانات

لمعالجة عدم التوازن الشديد في الفئات (حوالي 4.5% فقط من العينات مسامية)، استخدم المؤلفون تعزيزاً مستهدفاً للمسامية. يتم تطبيق التحويلات (الضجيج، تغيير مقياس السطوع، الدوران، الاستيفاء) فقط على الفئة الأقلية (الإطارات المسامية) أثناء التدريب لزيادة تنوع إشارة العيوب دون تشويه توزيع الفئة الأكثرية.

---

3. المساهمات الرئيسية

1. آلية FI-LDP: آلية خصوصية محلية غير تفاعلية تستخدم إشارة تحمية خاضعة للإشراف لتوجيه تخصيص الضجيج متباين الخواص. وهي توفر جسراً مبدئياً بين أهمية الميزة وتوزيع ميزانية الخصوصية، وتتفوق على LDP المنتظم.
2. نمذجة الرسوم البيانية المستندة إلى الفيزياء: بنية HGAT طبقية تسجل صراحةً الأولويات التصنيعية (قيود الطبقات، الاقتران الحراري) في طوبولوجيا الرسم البياني وآلية الانتباه، متجاوزة بذلك تعلم الرسوم البيانية العام.
3. التقييم الشامل: اختبار صارم مقابل التعلم الآلي الكلاسيكي، والرسوم البيانية القياسية (GNNs)، وطرق الخصوصية البديلة (DP-SGD، وUniform-LDP) على مجموعة بيانات حقيقية لعملية DED.

---

4. النتائج التجريبية

تم تقييم الإطار على مجموعة بيانات لجدار رقيق من سبيكة Ti-6Al-4V (1,564 ملاحظة) مع تقسيم 60/20/20.

• استعادة المنفعة:
  • عند ميزانية خصوصية متوسطة ($\epsilon = 4$)، حققت FI-LDP-HGAT استعادة للمنفعة بنسبة 81.5% مقارنة بالنموذج غير الخاص (F1 score قدره 0.767 مقابل 0.941).
  • عند ميزانية صارمة ($\epsilon = 2$)، حافظت على استدعاء للعيوب بنسبة 0.762، متفوقة بشكل كبير على النماذج المرجعية.
• المقارنة مع النماذج المرجعية:
  • مقابل DP-SGD: عانى تدريب DP-SGD من فقدان كارثي في المنفعة (F1 < 0.21) بسبب ضجيج التدرج الذي عطل تعلم الأحداث النادرة.
  • مقابل Uniform-LDP: حسنت FI-LDP من المساحة تحت المنحنى (AUC) بنسبة 3.3% ومن الاستدعاء (Recall) بنسبة 7.2% عند $\epsilon=2$، مما يثبت أن تخصيص الضجيج الموجه بالأهمية يحافظ على إشارات العيوب النادرة بشكل أفضل من التشويه المنتظم.
  • مقابل GNNs القياسية: حققت HGAT المقترحة (مع أولويات الحواف) F1 معاير قدره 0.941 (غير خاص)، متفوقة على GCN وVanilla GAT، والتي مالت إلى الإفراط في التنبؤ بالفئة الأقلية.
• التحقق الآلي:
  • أكد التحليل وجود ارتباط سلبي قوي (معامل سبيرمان $\rho = -0.81$) بين أهمية الميزة وحجم الضجيج. وهذا يثبت أن FI-LDP تخصص بشكل منهجي ضجيجاً أقل للميزات الحرجة، مما يؤكد فرضية "التخصيص المتباين للخواص المبدئي".

---

5. الأهمية والأثر

• التوفيق بين الخصوصية والمنفعة: تثبت الورقة أن فقدان المنفعة الناتج عن الخصوصية ليس أمراً حتمياً. فمن خلال مواءمة آلية الاضطراب مع هيكل التضمين المتعلم (تباين الخواص)، يمكن الحفاظ على كشف عيوب عالي الدقة حتى تحت قيود خصوصية صارمة.
• تمكين التصنيع المضاف التعاوني: يوفر FI-LDP-HGAT مساراً لأنظمة التصنيع متعددة الأطراف لمشاركة بيانات العمليات الحساسة من أجل تحسين الجودة الجماعي دون الكشف عن "البصمات العملية" المملوكة.
• ما وراء الأساليب التجريبية: بخلاف طرق إزالة الهوية على مستوى الصورة أو طرق الخصوصية التجريبية، يقدم هذا النهج ضمانات $(\epsilon, \delta)$-LDP رسمية مع الحفاظ على الهيكل الهندسي المطلوب للاستدلال القائم على الرسوم البيانية.
• الاتجاهات المستقبلية: يمهد هذا الإطار الطريق للتعلم الاتحادي (Federated Learning) في التصنيع المضاف، والتحيزات الرسومية المستندة إلى الفيزياء، وأنظمة التحكم ذات الحلقة المغلقة ذاتية التحكم والمحافظة على الخصوصية.

ختاماً، تؤكد هذه الدراسة أن الاضطراب متباين الخواص والمدرك للميزات، مقترناً بتعلم الرسوم البيانية المستند إلى الفيزياء، يعد استراتيجية فعالة ومتفوقة لضمان الجودة الآمن وعالي المنفعة في التصنيع المتقدم.