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: 73
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
- Hazne işletme projeksiyonlarındaki küresel iklim modeli ve hidrolojik model kaynaklı belirsizliklerin sınanması
Examining uncertainties in reservoir operation projections originated from general circulation and hydrological models
UMUT KIRDEMİR
Doktora
Türkçe
2025
İnşaat MühendisliğiDokuz Eylül Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. OKAN FISTIKOĞLU
PROF. DR. UMUT OKKAN
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA
- Makine öğrenmesi ile COVİD-19 ilişkili inmenin tespiti
Detection of COVID-19 related stroke with machine learning
EYLEM GÜL ATEŞ
Doktora
Türkçe
2025
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. JALE KARAKAYA KARABULUT
- Yapay zekâ tarafından üretilen metinleri tespit etme yöntemleri ve zorlukları: Yaygın yapay zekâ tespit araçlarının etkinlik ve tutarlılık analizi
Methods and challenges of detecting artificial intelligence generated texts: Effectiveness and consistency analysis of common artificial intelligence detection tools
FATİH MAHMUD KOÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEGAR SADAT SOLEIMANI ZAKERI
- Advanced approaches to fuzzy cognitive mapping for enhancing convergence, learning, and prediction
Yakınsama, öğrenme ve tahmin performansının iyileştirilmesi için bulanık bilişsel haritalarda ileri yaklaşımlar
MİRAÇ MURAT
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN