Federe öğrenme ile derin sinir ağlarının güvenli eğitimi: Tıbbi görüntülemede gizliliği koruma uygulaması
Secure training of deep neural networks by federated learning: Privacy-preserving practice in medical imaging
- Tez No: 844216
- Danışmanlar: PROF. DR. AHMET SERTBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 102
Özet
Federe öğrenme, tıbbi uygulamalarda derin sinir ağlarının güvenli bir şekilde eğitilmesini sağlamak için önemli bir çözüm olarak öne çıkmakta ve hasta verilerinin hassas doğasıyla ilgili zorlukları etkili bir şekilde yönetmektedir. Öncelikli olarak gizliliğe odaklanan bu metodoloji, gizli bilgilerin merkezileştirilmesinden kaçınarak merkezi olmayan cihazlarda model eğitimini kolaylaştırır. Ham veriler yerine yalnızca model güncellemelerini ileterek, federe öğrenme yalnızca güvenlik önlemlerini artırmakla kalmaz, aynı zamanda düzenlemelere ve standartlara uygunluğu da sağlar. Bu tez, BloodMNIST, OrganAMNIST ve PathMNIST veri kümelerini kullanarak dinamik ve heterojen tıbbi veri kümelerinde uyarlanabilirliğini değerlendirmek için deneyler kullanarak, federe öğrenme üzerine kapsamlı bir çalışma yürütmektedir. Heterojen olmayan bir veri dağıtım yaklaşımı benimseyerek ve yerel model güncelleme toplaması için sunucu tarafında FedAvg algoritmasını kullanarak, üç geleneksel modeli (her veri kümesi için bir tane) ve veri heterojenlik oranlarına ve kullanıcı boyutlarına (küçük, orta ve büyük ölçekli işbirlikleri) göre değişen 18 federe modelini eğittik. Sonuçlar, federe modellerin geleneksel modellere kıyasla daha iyi performans gösterdiğini ortaya koyarak federe öğrenmenin tıbbi bağlamlardaki etkinliğini göstermektedir.
Özet (Çeviri)
Federated learning stands out as a vital solution for ensuring the secure training of deep neural networks in medical applications, effectively navigating challenges associated with the sensitive nature of patient data. With a primary focus on privacy, this methodology facilitates model training on decentralized devices, avoiding the centralization of confidential information. By transmitting only model updates, rather than raw data, federated learning not only enhances security measures but also ensures compliance with regulatory standards. This thesis conducts an extensive study on federated learning, employing experiments to evaluate its adaptability in dynamic and heterogeneous medical datasets—utilizing the BloodMNIST, OrganAMNIST, and PathMNIST datasets. Adopting a non-heterogeneous data distribution approach and employing the FedAvg algorithm at the server side for local model update aggregation, we trained three traditional models (one for each dataset) and 18 federated models, varying in data heterogeneity ratios and user sizes (small, medium, and large-scale collaborations). The findings demonstrate that federated models surpass traditional deep learning models, highlighting the effectiveness of federated learning in medical scenarios.
Benzer Tezler
- Robot kollarının cisimlerin tutulabilirliğini federe derin pekiştirmeli öğrenme yöntemiyle öğrenmesi
Learning the grip of objects by the federated deep reinforcement learning method of robot arms
MURAT UĞUR GÜLLE
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PERİ GÜNEŞ
- Distilling knowledge of neural networks for image analysis, model compression, data protection and minimization
Görüntü analizi, model sıkıştırma, veri koruma ve minimizasyonu için yapay sinir ağlarının bilgisinin damıtılması
REYHAN KEVSER KESER
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Derin sinir ağları ile federe öğrenme tabanlı bir kötü amaçlı yazılım tespit uygulaması
A federated learning based malware detection application with deep neural networks
ZEKİ ÇIPLAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
- Network-aware federated neural architecture search
Ağ duyarlı federe sinir mimarisi araması
GÖKTUĞ ÖCAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BAHRİ ATAY ÖZGÖVDE
- Beyin MR görüntülerinde gizlilik tabanlı yaklaşım : Federe öğrenme
Privacy-based approach to brain MRI: Federated learning
ŞEVKET AY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EKİN EKİNCİ
DR. ÖĞR. ÜYESİ ZEYNEP GARİP