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
- 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
- Görüntü dönüştürücüler kullanılarak retina hastalıklarının tespiti için federe öğrenme
Federated learning for retinal disease detection using vision transformers
SAİD AKÇA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP GARİP
DOÇ. DR. EKİN EKİNCİ
- 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
- Preserving privacy of health data residing in HL7 FHIR repositories through de-identification
HL7 FHIR kaynaklarında bulunan sağlık verilerinin gizliliğinin kimliksizleştirme yoluyla korunması
EZELSU ŞİMŞEK YILGIN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. PINAR KARAGÖZ
- Preserving privacy with homomorphic encryption in 5G Network Data Analytics Function
5G Şebeke Veri Analitiği Fonksiyonu'nda homomorfik şifreleme ile mahremiyetin korunması
BERKER ACIR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERTAN ONUR