Explainable Hyperdimensional Computing for Balancing Privacy and Transparency in Additive Manufacturing Monitoring

要約

学習モデルと組み合わせた現場センシングは、積層造形 (AM) プロセスにおける永続的な欠陥の問題に対処するユニークな機会を提供します。
ただし、この統合により、データ漏洩、センサーデータ侵害、モデル反転攻撃などの重大なデータプライバシーの懸念が生じ、部品設計、材料構成、機械パラメータに関する重要な詳細が明らかになります。
差分プライバシー (DP) モデルは、数学的保証の下でデータにノイズを注入し、センシング データの痕跡を隠すことで、データのユーティリティとプライバシーの間の微妙なバランスを提供します。
ただし、学習モデルにノイズが導入されると、多くの場合ブラック ボックスとして機能するため、特定のノイズ レベルがモデルの精度にどのような影響を与えるかの予測が複雑になります。
この研究では、差分プライバシー – 超次元コンピューティング (DP-HD) フレームワークを導入し、ベクトル シンボリック パラダイムの説明可能性を活用して、現場モニタリングの精度に対するノイズの影響を予測し、運用効率を維持しながら機密データを保護します。
オーバーハング異常を検出するための AM の実際の高速メルト プール データに関する実験結果は、DP-HD が優れた運用効率、予測精度、堅牢なプライバシー保護を実現し、最先端の機械学習 (ML) モデルを上回るパフォーマンスを示していることを示しています。

たとえば、同じレベルのプライバシー保護を実装した場合 (プライバシー バジェットを 1 に設定)、私たちのモデルは 94.43% の精度を達成し、ResNet50 (52.30%)、GoogLeNet (23.85%)、
AlexNet (55.78%)、DenseNet201 (69.13%)、EfficientNet B2 (40.81%)。
特に、DP-HD は、高いプライバシー制約下で精度が大幅に低下する現在のモデルとは異なり、プライバシーを強化するために設計された大幅なノイズ追加の下でも高いパフォーマンスを維持します。

要約(オリジナル)

In-situ sensing, in conjunction with learning models, presents a unique opportunity to address persistent defect issues in Additive Manufacturing (AM) processes. However, this integration introduces significant data privacy concerns, such as data leakage, sensor data compromise, and model inversion attacks, revealing critical details about part design, material composition, and machine parameters. Differential Privacy (DP) models, which inject noise into data under mathematical guarantees, offer a nuanced balance between data utility and privacy by obscuring traces of sensing data. However, the introduction of noise into learning models, often functioning as black boxes, complicates the prediction of how specific noise levels impact model accuracy. This study introduces the Differential Privacy-HyperDimensional computing (DP-HD) framework, leveraging the explainability of the vector symbolic paradigm to predict the noise impact on the accuracy of in-situ monitoring, safeguarding sensitive data while maintaining operational efficiency. Experimental results on real-world high-speed melt pool data of AM for detecting overhang anomalies demonstrate that DP-HD achieves superior operational efficiency, prediction accuracy, and robust privacy protection, outperforming state-of-the-art Machine Learning (ML) models. For example, when implementing the same level of privacy protection (with a privacy budget set at 1), our model achieved an accuracy of 94.43%, surpassing the performance of traditional models such as ResNet50 (52.30%), GoogLeNet (23.85%), AlexNet (55.78%), DenseNet201 (69.13%), and EfficientNet B2 (40.81%). Notably, DP-HD maintains high performance under substantial noise additions designed to enhance privacy, unlike current models that suffer significant accuracy declines under high privacy constraints.

arxiv情報

著者 Fardin Jalil Piran,Prathyush P. Poduval,Hamza Errahmouni Barkam,Mohsen Imani,Farhad Imani
発行日 2024-07-10 01:37:05+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CR, cs.CV, cs.LG パーマリンク