Explaining federated learning-based movie recommendations
Federe öğrenme tabanlı film önerilerinin açıklanması
- Tez No: 1003773
- Danışmanlar: DOÇ. DR. REYHAN AYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Eğlence, sağlık ve e-ticaret gibi sektörlerde tavsiye sistemlerinin yaygınlaşması; gizlilik, şeffaflık ve sistemlerin genel güvenilirliği konusundaki endişeleri artırmıştır. Geleneksel merkezi sistemler, kullanıcı gizliliğinin yanlış yönetilmesi riskini taşımakta ve genellikle birer ``kapalı kutu'' olarak çalışmaktadır. Bu yorumlanabilirlik eksikliği ve merkezi veri işleme süreçleri; hesap verebilirliği ve kişisel verilerin korunmasını zorunlu kılan AB Yapay Zeka Yasası (EU AI Act) ve AB Veri Yasası (EU Data Act) gibi güncel yasal düzenlemelerle giderek daha fazla çelişmektedir. Bu tez, ortaya çıkan bu zorluklarla doğrudan mücadele etmek amacıyla; gizlilik için Federe Öğrenme, şeffaflık yoluyla sistem güvenilirliğini artırmak için ise Açıklanabilir Yapay Zeka kavramlarını harmanlayan yenilikçi bir tavsiye sistemi çerçevesi önermektedir. Federe Öğrenme, kişisel verilerin yerel kullanıcı cihazlarında kalmasını sağlayarak merkezi veri işlemedeki gizlilik risklerini ortadan kaldırırken, model güncellemelerinin anonimleştirilerek birleştirilmesine imkan tanır. Bu tez, şeffaflığı ve kullanıcı güvenini pekiştirmek için XAI literatüründeki ``post-hoc'' (model sonrası) açıklama stratejilerinden yararlanmaktadır ve Büyük Dil Modelleri aracılığıyla bu açıklamaları son kullanıcılar için net ve anlaşılır cümlelere dönüşmek-tedir. Sıkı veri düzenlemeleri altında bu çerçeveyi verimli bir şekilde doğrulamak için Sentetik Davranış Üretimi yaklaşımını sürece dahil edilmiştir. Gerçek kullanıcı tepkilerini simüle etmek için dil modellerini kullanarak; açıklamaların ikna edicilik, açıklık ve karar verme süreci üzerindeki etkisi gibi kriterlere dayalı, maliyet etkin bir değerlendirme sunmaktayız. Büyük Dil Modeli tarafından üretilen açıklamaların nihai değerlendirmesi, yüksek düzeyde anlaşılırlık ve netlik sergileyerek karmaşık model mantığı ile algı arasında-ki boşluğu başarıyla kapatmaktadır. Önerilen bu bütünsel çözüm; gizliliği koruma, yasal uyumluluk ve yorumlanabilirlik arasında bir denge kurarak, güvenilir tavsiye sistemlerinin tasarımını ve benimsenmesini önemli ölçüde güçlendirmektedir.
Özet (Çeviri)
The widespread adoption of recommender systems across industries such as entertainment, healthcare, and e-commerce has heightened concerns related to privacy, transparency, and overall trustability. Traditional centralized systems risk mismanagement of user privacy and often operate as ``black boxes''. This lack of interpretability and centralized data handling increasingly conflicts with emerging regulatory standards, such as the EU AI Act and EU Data Act, which mandate accountability and the protection of personal data. To address these arising challenges head on, we propose an innovative recommender system framework that blends concepts from Federated Learning (FL) for the aspects of privacy and Explainable AI (XAI) to increase system trustability through transparency. FL facilitates decentralized model training, preserving user privacy by ensuring that personal data remains on local user devices while aggregating the global model updates with data scrubbed of information centrally. To enhance transparency and user trust, we borrow the post-hoc explanation strategies from the XAI literature and we leverage Large Language Models (LLMs) to harmonize the explanations with clear, understandable sentences for recommendations toward end-users. To validate this framework efficiently under strict data regulations, we incorporate a Synthetic Behavior Generation (SBG) approach. By utilizing LLMs to simulate real user responses, we provide a cost-effective evaluation of explanation quality based on criteria such as convincingness, clarity, and impact on decision-making. The final evaluation of LLM-generated explanations indicates high levels of understandability and clarity, successfully bridging the gap between complex model logic and comprehension. This combined solution balances privacy, regulatory compliance, and interpretability, significantly enhancing the design and adoption of trustworthy recommender systems.
Benzer Tezler
- Rusya Federasyonu'nda federal yapının ulusal güvenliğe etkileri
Effects of federal structure on national security in the Russian Federation
GÜL DEMİR
Yüksek Lisans
Türkçe
2020
Siyasal BilimlerKahramanmaraş Sütçü İmam ÜniversitesiSiyaset Bilimi ve Uluslararası İlişkiler Ana Bilim Dalı
DOÇ. DR. OSMAN AĞIR
- Kriminoloji ve Ceza Hukuku boyutuyla“çevreci terörizm”
“Ecoterrorism”in criminology and Criminal Law aspects
ERDEM İZZET KÜLÇÜR
- Explaining the size of informal sector: The role of trust, corruption and bureaucratic quality
Kayıt dışı ekonomiyi açıklamak: Güven, yolsuzluk ve bürokratik kalitenin rolü
ÖYKÜ ULUÇAY
- Explaining the relationship between high school students' selected affective characteristics and their physics achievement
Lise öğrencilerinin seçilmiş duyuşsal karakterleri ile fizik başarıları arasındaki ilişkinin açıklanması
ÖZLEM DOĞAN TEKİROĞLU
Yüksek Lisans
İngilizce
2005
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiMatematik Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. ALİ ERYILMAZ
- Explaining the evolution of EU migration policies from past to present: Towards an eclectic approach
Avrupa Birliği göç politikalarının evrimini geçmişten günümüze açıklamak: Eklektik bir yaklaşım
GÖNENÇ AKAR
Yüksek Lisans
İngilizce
2011
Uluslararası İlişkilerDokuz Eylül ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
DOÇ. GÜL M. KURTOĞLU ESKİŞAR