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: Veri gizliliği, Data privacy
- 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: Belirtilmemiş.
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
- Ameliyat öncesi hastaların ameliyata ilişkin duyguları, düşünceleri ve bilgi istekleri
The Pre-operative patiensts feelings throughts and information requirements concerning their surgical operations
KADRİYE BULDUKOĞLU
- Sivas ili cumhuriyet üniversitesi tip fakültesi numune ve sosyal sigortalari kurumu hastanelerinde çalişan hemşirelerin intra venöz (damar içi) sivi tedavisine ilişkin bilgi ve uygulamalari
The knowledge and practice related to the intravenous fluid theraph of the nurses working at the hospital of the medical faculty in cumhuriyet university, numune hastanesi and sosyal sigortalar kurumu hastanesi in sivas
İLKAY KALELİ
