Makine öğrenmesi modellerinde yanlılıkla mücadele: Federe öğrenme yaklaşımları
Mitigating bias in machine learning models: Federated learning approaches
- Tez No: 864913
- Danışmanlar: PROF. DR. MEHMET FATİH AMASYALI
- 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: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, makine öğrenmesi uygulamalarının adil ve güvenilir karar alabilmeleri için veri kaynaklı ırksal yanlılığın azaltılabileceğini göstermektedir. Literatürdeki bulgular, çoğunlukla veri kümesi kaynaklı yanlılıkların modellerin karar alma süreçlerini etkilediğini göstermektedir. Bu kapsamda gerçekleştirdiğimiz iki deneysel çalışma veri mahremiyeti sebebiyle veri paylaşımının istenmediği durumlarda lokal ve federe eğitimlerde ırksal yanlılığın azaltılması için pratik çözümleri karşılaştırmalı olarak sunmuştur. İlk deneysel çalışmada, federe eğitim süreçlerinde çeşitli veri kaynaklarının katılımının lokal eğitim süreçlerindeki ırksal yanlılığı azaltmada kritik bir rol oynadığı gözlemlenmiştir. İkinci deneysel çalışma, mevcut yaklaşımlardan farklı olarak, hassas bilgileri içeren lokal veri kümelerinin yanlılık etkisini de dikkate alarak federe öğrenme eğitimlerine katılımının yanlılığın azaltılmasında etkili olduğunu göstermiştir. Bu çalışmanın sonuçları, makine öğrenmesi modellerinin daha adil karar alma süreçlerine katkıda bulunabileceğini göstermekte ve alanda gelecek araştırmalar için önemli bir temel oluşturmaktadır.
Özet (Çeviri)
This thesis demonstrates that data-driven racial bias can be reduced to enable machine learning applications to make fair and reliable decisions. Findings in the literature mostly indicate that biases originating from the dataset significantly impact the decision-making processes of models. In this context, our two experimental studies, conducted in cases where data sharing was not desired due to data privacy concerns, have comparatively presented practical solutions for reducing racial bias in local and federated trainings. In the first experimental study, it was observed that the participation of various data sources in federated training processes played a critical role in reducing racial bias in local training processes. The second experimental study, unlike existing approaches, showed that the participation of local datasets containing sensitive information in federated learning training, while taking into account the bias effect, was effective in reducing bias. The results of this study indicate that machine learning models can contribute to fairer decision-making processes and provide an important foundation for future research in the field.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ