Privacy-preserving techniques and machine learning for critical systems
Kritik sistemler için mahremiyet koruyucu teknikler ve makine öğrenmesi
- Tez No: 756031
- Danışmanlar: PROF. DR. TÜLAY YILDIRIM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 80
Özet
Günlük hayatta kullanılan makine öğrenmesi odaklı uygulamaların büyük çoğunluğunun kişisel verilerden beslendiği aşikardır. Bu veri, uygulamaların kullanım alanına bağlı olarak, insanların sağlık geçmişinden satın alma geçmişine kadar kişisel bilgi içerebilmektedir. Bu uygulamaların artması bu tür verilerin korunmasına yönelik tedbirlerin artırılması ihtiyacını doğurmuştur. Nitekim 2016 yılı itibari ile Avrupa vatandaşları için veri koruma kanunu yürürlüğe girmiştir. Ancak yapay zeka algoritmalarının geliştirilmesinde verilerin rolü göz önüne alındığında mevzuat kısıtlamalarının bu alandaki gelişmeler için olumsuz bir durum oluşturması kaçınılmazdır. Bu bağlamda, veri mahremiyetini koruyan teknolojiler, hassas verilerin korunmasına ve analiz edilmesine olanak tanır. Bu teknolojiler kullanılarak geliştirilen mahremiyeti koruyan makine öğrenmesi algoritmaları ile hassas verilerin ifşası minimumda tutulabilmektedir. Son zamanlarda bu alanda umut verici çalışmalar yapılsa da, gerçek verilere yönelik uygulamalar son derece kısıtlıdır. Tez kapsamında, mahremiyeti koruyan teknolojiler üzerine kapsamlı araştırmalar yapılarak, kritik veri kullanan sağlık ve biyometri uygulamalarında diferansiyel mahremiyet yaklaşımlarının etkilerinin incelenmesi amaçlanmaktadır. Ayrıca tez çalışması, bir başka mahremiyet koruyucu teknik olan federe öğrenme yaklaşımı ile bir karşılaştırma da sunmaktadır. Özellikle, bu tez çalışmasında ilk olarak biyometrik bir veri türü olan imza verileri için iki farklı diferansiyel mahremiyet tekniği uygulanarak bir karşılaştırma yapılmış ve mahremiyet tekniği eklentisinin benzerlik skoru üzerindeki etkisi değerlendirilmiştir. Tezin bir diğer amacı, mahremiyeti koruyan bu yaklaşımların davranışlarını her bir uygulama alanında ve veri tipinde iki farklı model için karşılaştırmaktır.
Özet (Çeviri)
It is obvious that the majority of machine learning-driven applications used in daily life are fed from personal data. This data may contain personal information from people's health history to their purchase history, depending on the usage area of the applications. The increase in these applications has led to the need to increase the measures for the protection of such data. As a matter of fact, as of 2016, the data protection law for European citizens came into force. However, considering the role of data in the development of artificial intelligence algorithms, it is inevitable that legislative restrictions will create a negative situation for developments in this field. In this context, technologies that protect data privacy allow sensitive data to be protected and analyzed. The disclosure of sensitive data can be minimized with machine learning algorithms that protect privacy, developed using these technologies. Although there have been promising studies in this area recently, applications with real life data are extremely limited. This thesis aims to examine the effects of differential privacy approaches in healthcare and biometrics applications that use critical data by conducting comprehensive research on technologies that protect privacy. In addition, the thesis study presents a comparison with the federated learning approach, which is another privacy-preserving technique. In particular, a comparison was made by applying two different differential privacy techniques for signature data, which is a biometric data type, and the effect of the privacy implementation on the similarity score is evaluated. Another aim of the thesis is to compare the behavior of these privacy-preserving approaches for two different models in each application area and data type.
Benzer Tezler
- Attack detection in IoT systems using metaheuristic-enhanced quantum and classical machine learning techniques
Metasezgisel yöntemlerle geliştirilmiş kuantum ve klasik makine öğrenme teknikleri kullanılarak IoT sistemlerinde saldırı tespiti
MUHAMMED FURKAN GÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT BAKIR
- Blokzincir tabanlı ıot sağlık platformu ile hasta verilerinin güvenli paylaşımı ve izlenmesi
Secure sharing and monitoring of patient data through a blockchain-based iot healthcare platform
GALAL ABDULRAHEEM ALI AHMED
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. ÜNAL ÇAVUŞOĞLU
- Privacy-preserving mechanisms for face verification systems
Yüz doğrulama sistemleri için gizliliği koruyucu mekanizmalar
MARAM H. W. ALAGHBAR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Dikkat eksikliği ve hiperaktivite bozukluğu olan çocukların el yazılarının görüntü işleme teknikleri ile analizi
Analysis of handwriting of children with attention deficit hyperactivity disorder using image processing techniques
ÖZLEM YILDIZ BUDAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR