Gizliliği koruyan çoklu-ölçütlü ortak filtreleme
Privacy-preserving multi-criteria collaborative filtering
- Tez No: 583499
- Danışmanlar: DR. ÖĞR. ÜYESİ ALPER BİLGE
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 125
Özet
Gizliliği koruyan ortak filtreleme sistemleri, tek-ölçüt değerlerinde bulunan gizlilik tehditlerini ortadan kaldırmaya odaklanır ve çoklu-ölçütlü tercih alanındaki gizlilik riskleri göz ardı edilir. Çoklu-ölçütlü tercih verilerinin yapısı, bireylerin neden bir öğenin kullanıcı tarafından tercih edildiğini anlama olanağı sağlamasına rağmen, bireyleri daha ciddi gizlilik tehditlerine maruz bırakır. Bu nedenle, bu sistemler esnek ve her bir alt-ölçütün yapısı ile uyum sağlayan akıllı koruma mekanizmalarına ihtiyaç duyar. Bu tezde, çoklu-ölçütlü öneri sistemleri açısından mevcut gizlilik ihlali koşulları değerlendirilmekte ve bu hizmetlerin maruz kaldığı tehditler kapsamlı bir şekilde tartışılmaktadır. Bu tür tehditleri hafifletmek için, çoklu-ölçütlü ortak filtreleme sistemleri için rastgele karıştırma yöntemine dayalı gizlilik koruma yaklaşımları ve geleneksel tek-ölçütlü sistemlerde etkin bir şekilde kullanılan gizlilik koruma yöntemleri çoklu-ölçütlü derecelendirmelere uyarlanmaktadır. Öneri doğruluğunu arttırmak için, orijinal çoklu-ölçütlü tercihlerin bozulmasından kaynaklanan doğruluk kayıplarını azaltan entropi tabanlı rastgelelik belirleme prosedürünü uyarlayan yeni bir gizlilik koruma protokolü sunulmuştur. Ek olarak, olağandışı kullanıcı derecelendirmelerinin tahmin doğruluğu üzerindeki olumsuz etkilerini azaltmak için yeni bir veri karıştırma yaklaşımı sunulmuştur. Önerilen gizlilik koruma programlarının, farklı mahremiyet seviyelerinde hem kullanıcı gizlilik seviyeleri hem de tahmin doğruluğu üzerindeki etkilerini göstermek için yaklaşımlar Yahoo!Movies çoklu-ölçütlü tercih veri setinin üç alt grubunda deneysel olarak değerlendirilmiştir. Elde edilen deneysel sonuçlara göre, önerilen yaklaşımlar geleneksel gizlilik koruma senaryosunun sağladığı gizlilik seviyesini korurken önemli ölçüde başarımı yüksek öneriler üretebilmektedir.
Özet (Çeviri)
Privacy-preserving collaborative filtering systems focus on eliminating the privacy threats inherent in single preference values, and the privacy risks in the multi-criteria preference domain are disregarded. The structure of multi-criteria preference data exposes individuals to more severe privacy threats although it provides the opportunity to understand why an item is preferred by the user. Therefore, these systems require intelligent protection mechanisms that are flexible and adapting to the structure of each sub-criterion. In this dissertation, existing privacy violation conditions from the perspective of multi-criteria recommender systems are evaluated and threats exposed by such services are discussed comprehensively. In order to alleviate such threats, randomized perturbation-based privacy-preserving approaches for multi-criteria collaborative filtering systems and the privacy protection methods efficiently used in traditional single-criterion systems are adapted onto multi-criteria ratings. To increase the prediction accuracy, a novel privacy-preserving protocol by adapting an entropy-based randomness determination procedure is introduced that can recover accuracy losses resulting from perturbation of original multi-criteria preferences. In addition, a novel data perturbation approach was introduced to mitigate the adverse effects of unusual user ratings on prediction accuracy. The proposed schemes are experimentally evaluated on three subsets of Yahoo!Movies multi-criteria preference dataset to demonstrate the effects of the proposed privacy-preserving schemes on both user privacy levels and prediction accuracy for differing sparsity rates. According to the obtained experimental outcomes, the proposed schemes can produce significantly more accurate predictions while maintaining an identical level of privacy provided by the traditional privacy protection scenario.
Benzer Tezler
- Dynamic itemset hiding under multiple support thresholds
Çoklu destek eşiklerinde dinamik sık kümeler gizlemesi
AHMET CUMHUR ÖZTÜRK
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BELGİN ERGENÇ BOSTANOĞLU
- A multibiometric cryptosystem for user authentication
Kullanıcıların kimlik doğrulaması için çoklu-biyometrili şifreleme sistemi
FAEZEH SADAT BABAMIR
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Privacy preserving search and data retrieval from data clouds
Veri bulutlarında mahremiyet korumalı arama ve veri getirme yontemi
MOHANAD DAWOUD
Doktora
İngilizce
2017
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ TURGAY ALTILAR
- Pertübasyon yöntemi ile hassas veri güvenliğine yönelik çok değişkenli veriler için tahmin analizi
Prediction analysis for multivariate data with respect to sensitive data security using the perturbation method
İLKER İLTER
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAFİYE SENCER
- Sayısal renkli görüntüler için uzamsal düzlem yöntemleri kullanan yeni bir hibrit steganografi algoritması
A new hybrid steganography algorithm using spatial domain methods for digital color images
MURAT UZUN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR SOLAK