ZK-ML Fixed-Point Quantization Impact Benchmark

การวิเคราะห์ผลกระทบของการแปลงค่าน้ำหนักทศนิยม (Float64) เป็นจำนวนเต็ม (Fixed-Point Quantization) ต่อความแม่นยำของโมเดลสุขภาพจิตนักเรียน

📌 โหลดข้อมูลจาก: ตาราง mental_health_records (จำนวน 101 เรคคอร์ด) (ระบบ Hybrid: MySQL Priority 1 $\rightarrow$ CSV Fallback)

🏠 Home 🔬 ZK Benchmark 📄 JSON API

Baseline Float64 Accuracy

100.0 %

โมเดล Logistic Regression ดั้งเดิม (Scikit-Learn) บนข้อมูลทดสอบ 21 เรคคอร์ด

Quantized Model (S = 1,000)

100.0 %

ความแม่นยำหลัง Quantize ใน ZK Circuit (ความสูญเสียความแม่นยำ: 0.0%)

Score Drift (MAE at S=1000)

0.157 MAE

ความเบี่ยงเบนของคะแนนก่อน Threshold ต่ำมาก ปลอดภัยจาก Integer Overflow ใน Noir i32

Mismatch Count (S=1,000)

0 เคส

ผลลัพธ์การจำแนกความเสี่ยงนักเรียนตรงกับโมเดลทศนิยม 100% ครบทุกตัวอย่าง

📊 Classification Accuracy vs Scaling Factor ($S$)

📉 Quantization Score Drift (MAE Error vs Scaling Factor)

📋 ตารางเปรียบเทียบเชิงปริมาณ (Quantization Benchmark Table for Thesis)

Dataset: Student Mental Health (N = 101)

Representation & Method	Scaling Factor ($S$)	Accuracy (%)	Precision	Recall	F1-Score	$\Delta$ Acc (%)	Mismatches	Score Drift (MAE)	Evaluation Status
Baseline (Float64)	-	100.0%	1.0	1.0	1.0	0.0%	0	0.0	Reference Baseline
Quantized (S=1)	1	61.9%	0.619	1.0	0.7647	-38.1%	8	1.066218	Loss (8 Mismatch)
Quantized (S=5)	5	61.9%	0.619	1.0	0.7647	-38.1%	8	1.209075	Loss (8 Mismatch)
Quantized (S=10)	10	100.0%	1.0	1.0	1.0	0.0%	0	0.800449	Optimal (No Loss)
Quantized (S=50)	50	100.0%	1.0	1.0	1.0	0.0%	0	0.424259	Optimal (No Loss)
Quantized (S=100)	100	100.0%	1.0	1.0	1.0	0.0%	0	0.61664	Optimal (No Loss)
Quantized (S=500)	500	100.0%	1.0	1.0	1.0	0.0%	0	0.140789	Optimal (No Loss)
Quantized (S=1000)	1,000	100.0%	1.0	1.0	1.0	0.0%	0	0.139884	⭐ Selected in ZK Circuit
Quantized (S=5000)	5,000	100.0%	1.0	1.0	1.0	0.0%	0	0.004808	Optimal (No Loss)
Quantized (S=10000)	10,000	100.0%	1.0	1.0	1.0	0.0%	0	0.004899	Optimal (No Loss)
Quantized (S=100000)	100,000	100.0%	1.0	1.0	1.0	0.0%	0	0.000665	Optimal (No Loss)

🎓 ข้อสรุปเชิงวิชาการสำหรับเขียนในวิทยานิพนธ์ (Chapter 4: Results & Discussion)

จากการทดลองเพื่อศึกษาผลกระทบของการแปลงค่าตัวเลขทศนิยม (Fixed-Point Quantization) ในสเกลต่างๆ ตั้งแต่ $S = 1$ ถึง $S = 100,000$ พบว่าที่ระดับตัวคูณสเกล $S = 1,000$ (Scaling Multiplier $10^3$) ซึ่งถูกนำไปใช้งานจริงในวงจร Noir ZK Circuit สามารถรักษาระดับความแม่นยำ (Accuracy) และ F1-Score ได้ที่ 100.00% โดยไม่มีการสูญเสียความแม่นยำเมื่อเทียบกับโมเดลทศนิยมดั้งเดิม ($\Delta\text{Accuracy} = 0.0\%$, Mismatch = 0)

"การเลือกใช้ Scaling Factor $S = 1,000$ มีความเหมาะสมทั้งในแง่ของความเที่ยงตรงของผลลัพธ์ (MAE = 0.1570) และขอบเขตขนาดของตัวเลขในวงจร ZKP ซึ่งไม่ก่อให้เกิดปัญหาค่าล้น (Integer Overflow) ในการคำนวณชนิดข้อมูล i32"