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

Resumo Técnico: FI-LDP-HGAT para Manufatura Aditiva Metálica

1. O Problema

A manufatura aditiva metálica (AM), especificamente em processos de Deposição Direta de Energia (DED), gera fluxos de dados de sensores de alta fidelidade essenciais para a garantia de qualidade. No entanto, existem dois desafios inter-relacionados que impedem a colaboração de dados e a detecção precisa de defeitos:

• Limitações de Modelagem Física: Os modelos existentes tratam as observações da "poça de fusão" (melt-pool) como amostras independentes. Isso ignora os acoplamentos físicos em camadas, como a acumulação de calor e as interações entre trilhas de varredura, que são determinantes para a formação de porosidade (defeitos).
• Privacidade vs. Utilidade: A colaboração entre organizações exige o compartilhamento de dados, mas estes contêm "impressões digitais" de processos proprietários. Técnicas de privacidade padrão, como a Privacidade Diferencial Local (LDP) isotrópica, injetam ruído uniformemente em todas as dimensões dos dados. Em embeddings de manufatura, onde o sinal preditivo é concentrado em um subconjunto esparsos de características, essa perturbação uniforme degrada severamente a utilidade do modelo, tornando a detecção de defeitos raros ineficaz.

2. Metodologia Proposta: FI-LDP-HGAT

O artigo propõe um framework computacional chamado FI-LDP-HGAT, que integra duas componentes principais para resolver simultaneamente a modelagem relacional e a privacidade:

A. Mecanismo de Privacidade: FI-LDP (Feature-Importance-aware Local Differential Privacy)

• Mecanismo Anisotrópico: Diferente do LDP padrão (isotrópico), o FI-LDP utiliza um mecanismo Gaussiano anisotrópico.
• Alocação Inteligente de Orçamento: Antes da privatização, um estágio de "warmup" supervisionado estima a importância de cada dimensão do vetor de características (embedding) para a tarefa de detecção de porosidade.
• Distribuição de Ruído: O orçamento de privacidade ($\epsilon$) é redistribuído. Dimensões críticas (alta importância) recebem menos ruído, enquanto dimensões redundantes (baixa importância) recebem mais ruído. Isso mantém a geometria do espaço de características relevante para a tarefa, garantindo formalmente $(\epsilon, \delta)$-LDP.

B. Modelo de Aprendizado: HGAT (Hierarchical Graph Attention Network)

• Grafo Estratificado por Camadas: O modelo constrói um grafo onde os nós são observações da poça de fusão. As arestas são restritas a vizinhanças dentro da mesma camada física, respeitando a estrutura de fabricação.
• Distância Híbrida: A conectividade do grafo combina proximidade espacial e similaridade de embeddings térmicos aprendidos.
• Atenção Hierárquica: Utiliza um mecanismo de atenção que pondera a agregação de informações de vizinhos, priorizando aqueles com histórico térmico e espacial consistente, capturando assim os acoplamentos físicos ignorados por modelos de amostras independentes.

Fluxo de Trabalho:

1. Augmentation: Aumento de dados direcionado a defeitos raros para lidar com o desbalanceamento de classes.
2. Extração de Features: Codificação multimodal (imagens térmicas + contexto de processo/geometria).
3. Estimativa de Importância: Treinamento de um classificador leve para gerar o vetor de prioridade de importância ($q$).
4. Privatização: Aplicação do FI-LDP nos embeddings usando o vetor $q$ para calibrar o ruído.
5. Inferência: O grafo é construído e o HGAT é treinado/inferido apenas sobre os dados privatizados.

3. Principais Contribuições

1. Mecanismo de Privacidade (FI-LDP): Desenvolvimento de um mecanismo Gaussiano anisotrópico guiado pela importância das características. É a primeira abordagem a oferecer garantias formais de LDP que são explicitamente acopladas à utilidade da tarefa através de uma alocação de orçamento baseada em prioridade de aprendizado.
2. Modelagem Computacional Informada pela Física: Design de um grafo híbrido estratificado e uma arquitetura de atenção hierárquica que incorpora priores de manufatura (acoplamento térmico intra-camada e proximidade espacial), superando as limitações de modelos de amostras independentes.
3. Avaliação Quantitativa Abrangente: Demonstração experimental em um conjunto de dados real de porosidade em DED, provando que é possível manter alta utilidade de detecção sob restrições de privacidade rigorosas, superando métodos clássicos, GNNs padrão e outras técnicas de privacidade (como DP-SGD).

4. Resultados Experimentais

Os experimentos foram realizados em um conjunto de dados de estruturas de Ti-6Al-4V fabricadas via DED, com forte desbalanceamento de classes (apenas ~4.5% de amostras com porosidade).

• Recuperação de Utilidade: Sob um orçamento de privacidade moderado ($\epsilon = 4$), o FI-LDP-HGAT alcançou 81,5% de recuperação de utilidade em relação ao oráculo não privado.
• Desempenho em Privacidade Rígida: Sob um orçamento estrito ($\epsilon = 2$), o modelo manteve uma sensibilidade (recall) de 0,762 para defeitos raros.
• Comparação com Baselines:
  • O FI-LDP superou significativamente o LDP isotrópico (Uniform-LDP) e o treinamento com DP-SGD.
  • O DP-SGD sofreu um colapso catastrófico de utilidade (F1 < 0,21) devido à perturbação acumulada nos gradientes durante o treinamento em regimes de alta dimensionalidade e desbalanceamento.
  • O HGAT não privado alcançou o melhor F1 calibrado (0,941), superando GCNs e GATs padrão.
• Análise Mecanística: Houve uma forte correlação negativa ($\rho = -0,81$) entre a importância da característica e a magnitude do ruído injetado, confirmando que o ganho de utilidade é impulsionado pela alocação anisotrópica principista e não por efeitos acidentais.

5. Significado e Impacto

Este trabalho demonstra que a privacidade rigorosa e a detecção confiável de defeitos em manufatura aditiva não são mutuamente exclusivas.

• Viabilidade de Colaboração: O framework permite que fabricantes compartilhem dados sensíveis de processos (impressões digitais térmicas) sem revelar segredos comerciais, habilitando modelos de IA colaborativos multi-stakeholder.
• Superação do "Custo" da Privacidade: O estudo refuta a noção de que a privacidade diferencial implica necessariamente em perda drástica de utilidade em tarefas complexas. Ao alinhar o mecanismo de ruído com a estrutura intrínseca dos dados (importância das características), é possível mitigar a degradação de desempenho.
• Aplicabilidade Industrial: Oferece um caminho técnico para a implementação de sistemas de garantia de qualidade em tempo real e autônomos que respeitam a confidencialidade de dados proprietários, essencial para setores críticos como aeroespacial e biomédico.

Em resumo, o FI-LDP-HGAT estabelece um novo estado da arte ao combinar privacidade formal, modelagem gráfica informada pela física e aprendizado de máquina eficiente para a manufatura aditiva.