Learning Bayesian networks under local differential privacy
Bayes ağlarının lokal diferansiyel mahremiyet altında öğrenilmesi
- Tez No: 926236
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET EMRE GÜRSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Bayes ağları, sağlık, çok-boyutlu veri analizi, çevresel modelleme ve endüstriyel süreçler de dahil olmak üzere birçok alanda nedensel keşif ve olasılıksal modelleme amacıyla yaygın olarak kullanılmaktadır. Önceki çalışmalar her ne kadar merkezi diferansiyel mahremiyet altında Bayes ağlarının öğrenilmesini çalışmış olsalar da, bildiğimiz kadarıyla lokal diferansiyel mahremiyet (LDP) altında Bayes ağlarının öğrenilmesi problemi halen açık bir problemdir. Bu tezde, Bayes ağlarının LDP altında öğrenilmesi problemini çözmek için iki çözüm yöntemi öneriyoruz: LDP-BN ve LDP-BN+. İlk çözümümüz olan LDP-BN, LDP altında Bayes ağı kurmak için gerekli olan ortak enformasyon miktarı değerlerini hesaplamak için özgün bir algoritma kullanır; fakat mahremiyet bütçesinin çok sayıda öznitelik ve aday ebeveyn kümesine bölünmesi gerektiği için yüksek fayda kaybına uğramaktadır. Gürültü miktarını azaltmak için önerdiğimiz LDP-BN+ çözümü, gerekli olan tüm ortak enformasyon miktarı değerlerinin hesaplanacağını garanti ederken, mahremiyet bütçesinin daha verimli kullanılabilmesi adına özgün bir yoğunluk-farkındalıklı kaplama tasarımı algoritması kullanır. Çalışmamızda, LDP-BN ve LDP-BN+ çözümlerini birden fazla fayda ölçütü ve veri kümesi kullanarak deneysel olarak değerlendiriyoruz. Sonuçlar, LDP-BN+'nın LDP-BN'e kıyasla daha iyi performans gösterdiğini ve LDP-BN+ sayesinde pratikte kullanılabilecek, yüksek faydaya sahip Bayes ağlarının öğrenilebil\-diğini göstermektedir.
Özet (Çeviri)
Bayesian networks are widely used for causal discovery and probabilistic modeling across diverse domains including healthcare, multi-dimensional data analysis, environmental modeling, and industrial processes. Although previous work has studied the learning of Bayesian networks under centralized differential privacy, to the best of our knowledge, the problem of learning Bayesian networks under local differential privacy (LDP) remains open. In this thesis, we address this problem by proposing two solution methods for learning Bayesian networks under LDP: LDP-BN and LDP-BN+. Our first solution called LDP-BN utilizes a novel algorithm for computing mutual information values necessary for building a Bayesian network under LDP, but it suffers from high utility loss since the privacy budget needs to be divided into many pairs of attributes and candidate parent sets. To reduce the amount of noise, we propose LDP-BN+ which utilizes a novel density-aware covering design algorithm that ensures all necessary mutual information values will be computed while the privacy budget is used more effectively. We experimentally evaluate LDP-BN and LDP-BN+ using multiple utility metrics and datasets. Results show that LDP-BN+ outperforms LDP-BN and enables the generation of high-utility Bayesian networks that can be used in practice.
Benzer Tezler
- Yazılım projelerinde iş gücü tahmini için makine öğrenmesi yöntemlerinin karşılaştırılması
Comparison of machine learning methods for software project effort estimation
VEHBİ YURDAKURBAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TAKUHİ NADİA ERDOĞAN
- Rastgele markov alanları ve hücresel sinir ağları ile görüntü işleme
Image processing with markow random fields and cellular neural networks
MAHMUT ŞAMİL SAĞIROĞLU
Yüksek Lisans
Türkçe
2001
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN NURİ UÇAN
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Learning Bayesian network parameters from small data sets by using ranked nodes method
Az miktarda veriden sıralı düğümler yöntemi ile Bayes ağı parametrelerinin öğrenilmesi
SILA İŞYAR
Yüksek Lisans
İngilizce
2020
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARBAROS YET
DR. ÖĞR. ÜYESİ CEREN TUNCER ŞAKAR
- Covid-19 verileri için Bayes ağları ile makine öğrenmesi
Machine learning with bayesian networks for Covid-19 data
HÜSEYİN CAN YILMAZ
Yüksek Lisans
Türkçe
2022
BiyoistatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. SERPİL AKTAŞ ALTUNAY