The integration of machine learning techniques and complex networks for forgery detection of documents
Belgelerde sahtecilik tespiti için makine öğrenimi tekniklerinin ve karmaşık ağların entegrasyonu
- Tez No: 1010054
- Danışmanlar: PROF. DR. BÜNYAMİN CİYLAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Basılı resmî belgelerin özgünlüğünün doğrulanması, son yıllarda dijital adli bilişim alanında önemli bir araştırma konusu hâline gelmiştir. Bu bağlamda, tahribatsız, deneysel olarak doğrulanabilir ve hesaplama açısından verimli yöntemlerin geliştirilmesine ihtiyaç duyulmaktadır. Bu doktora tezinde, Lazerle Uyarılmış Plazma Spektroskopisi (LIBS) tabanlı spektral veriler kullanılarak basılı belgelerde sahtecilik tespitine yönelik bütünleşik bir analiz çerçevesi önerilmektedir. Elde edilen spektrumlar Pearson korelasyonuna dayalı benzerlik matrislerine dönüştürülmekte ve bu matrisler karmaşık ağ temsilleri şeklinde modellenmektedir. Oluşturulan ağ yapıları üzerinde, spektral–ağ değişkenliğinin farklı yönlerini ele alan iki tamamlayıcı denetimsiz kümeleme algoritması geliştirilmiştir: Muted-DBSCAN ve SMART-HDBSCAN. Muted-DBSCAN algoritması, ağ tabanlı spektral benzerlik örüntüleri için uyarlanmış bir yoğunluk tabanlı kümeleme yöntemi olarak tasarlanmış ve heterojen yazıcı ve kâğıt koşulları altında özgün ve sahte belge gruplarının ayrıştırılmasını hedeflemiştir. Bu yaklaşımın sınırlamalarını gidermek amacıyla geliştirilen SMART-HDBSCAN algoritması ise yoğunluk parametrelerini otomatik olarak uyarlayan, hiyerarşik bir yapı içerisinde küme kararlılığını değerlendiren ve her küme için güvene dayalı bir Kararlılık İndeksi üreten uyarlanabilir bir kümeleme çerçevesi sunmaktadır. Farklı yazıcılar, kâğıt türleri, mürekkepler ve sahtecilik senaryoları kullanılarak gerçekleştirilen deneysel çalışmalar sonucunda, önerilen yöntem Muted-DBSCAN algoritması ile %92'nin üzerinde belge sahteciliği tespit doğruluğu sağlamıştır. SMART-HDBSCAN algoritması ise kümeleme tutarlılığını ve 0.80'e kadar F1-skoru değerlerine ulaşmış, aynı zamanda parametre duyarlılığını azaltmıştır. Elde edilen bulgular, önerilen yaklaşımın basılı belge adli incelemelerinde uygulanabilir ve güvenilir bir karar destek yöntemi olarak kullanılabileceğini göstermektedir.
Özet (Çeviri)
In recent years, the authenticity of printed official documents has become an important issue in the field of digital forensics, largely because of the growing ease with which these documents can be reproduced or altered. Consequently, there is a strong need for analytical tools that are reliable, empirically validated, non-destructive, and computationally efficient, capable of distinguishing genuine documents from manipulated documents. This study proposes a Laser-Induced Breakdown Spectroscopy (LIBS)-based spectral framework with complex network analysis and two complementary unsupervised clustering algorithms, each taking care of different aspects of spectral-network variability: Muted - DBSCAN and SMART-HDBSCAN. LIBS is used to obtain emission signatures of the inks and paper elements. The resulting spectra are converted into Pearson correlation matrices, which are further converted into weighted similarity networks with nodes as spectra and edges as pairwise spectral similarity. Muted-DBSCAN is proposed as an altered density-based clustering algorithm designed for network-based similarity patterns, and the goal is to separate real and forged document groups in heterogeneous printing and paper conditions. To overcome the limitations of this approach, SMART-HDBSCAN is designed as an extension of HDBSCAN, which is confidence-aware and adaptive, and is able to automatically adjust the density parameters and provide a confidence index (cluster-level stability indicator) for each cluster, which improves the robustness and interpretability of the detection. Experimental results obtained from a wide range of printers, papers, inks, and forgery scenarios show that the proposed framework achieves detection accuracies of more than 92% using Muted-DBSCAN. SMART-HDBSCAN is not only further improving the clustering stability and agreement but also achieving F1-scores up to 0.80 and lower parameter sensitivity and higher consistency between the scenarios. The study establishes Muted-DBSCAN and SMART-HDBSCAN as algorithmic building blocks for future explainable and scalable document-forensic systems.
Benzer Tezler
- Fusion of remote sensing and machine learning for high-resolution bathymetric modeling in shallow coastal zone
Kıyı bölgeleri sığ sularının yüksek çözünürlüklü batimetrik modellemesi için uzaktan algılama ve makine öğrenmesinin füzyonu
EMRE GÜLHER
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Applications of artificial intelligence for the security of networks
Ağ güvenliği için yapay zeka uygulamalari
SELEN GEÇGEL ÇETİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Makine öğrenmesi tabanlı iç ortam sıcaklık kontrolü için bir simülatör yazılımı tasarımı
Design of a simulator software for machine learning-based indoor temperature control
AYDIN BOSTANCI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Makine öğrenme algoritmaları ile su tüketim miktarlarının tahmini: Kocaeli örneği
Estimation of water consumption amounts using machine learning algorithms: The case study of Kocaeli
KASIM GÖRENEKLİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ALİ GÜLBAĞ
- Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products
Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi
NAHİT ÇATMADIM
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN