Geri Dön

Comparative study of privacy-preserving techniques in federated learning

Federasyonel öğrenimde gizliliği koruyan tekniklerin karşılaştırmalı çalışması

PDF İndir

  1. Tez No: 964991
  2. Yazar: NESRINE BEN TAMAGOULT DIT MONGAR
  3. Danışmanlar: Assoc. Prof. OKAN YAŞAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Siber Güvenlik Bilim Dalı
  13. Sayfa Sayısı: 53

Özet

Federated Learning (FL), ham verileri paylaşmadan dağıtılmış cihazlar veya organizasyonlar arasında işbirlikçi model eğitimi sağlayan yeni bir merkeziyetsiz makine öğrenimi paradigmasıdır.Bu yaklaşım, veri gizliliği ve düzenleyici uyumun son derece önemli olduğu sağlık hizmetleri, finans ve Nesnelerin İnterneti (IoT) gibi alanlarda özellikle kritik öneme sahiptir.FL, yerel cihazların modelleri bağımsız olarak eğitmesine ve yalnızca model güncellemelerini merkezi bir sunucuya birleştirme için göndermesine olanak tanır, böylece veri gizliliği korunur.Bu çalışma, Federated Averaging (FedAvg) dahil olmak üzere FL'nin mimarisini ve temel algoritmalarını inceler ve model doğruluğu, hesaplama yükü ve gizlilik dengeleri açısından Differential Privacy (DP), Secure Aggregation (SecAgg) ve Gradient Clipping (GC) gibi gizliliği koruma tekniklerini değerlendirir.MNIST veri setini kullanarak yapılan simüle edilmiş deneyler, 0'dan 9'a kadar olan el yazısı rakamlarının 70.000 gri tonlamalı görüntüsünden oluşan ve boyutu 28x28 piksel olan görüntüleri içermektedir, çalışma bu gizlilik yöntemleri arasındaki performans dengelemelerini karşılaştırmaktadır.Sonuçlar, temel FL ve simüle edilmiş SecAgg yapılandırmalarının yüksek doğruluk (~%96,97) sağlarken, DP ve GC entegrasyonunun mütevazıdan önemli performans düşüşlerine yol açtığını, bu durumun gizlilik ve model faydası arasında bir denge olduğunu göstermektedir.Ayrıca, çalışma FL'deki zorlukları, veri heterojenliği, iletişim verimliliği ve standartlaştırılmış etik çerçevelerin eksikliği dahil olmak üzere belirlemektedir.Model dayanıklılığını ve uyumunu artırmak için uyarlanabilir toplama stratejilerine ve sağlam gizlilik mekanizmalarına olan ihtiyacın altını çizer.Gelecek yönleri, daha iyi genelleme ve yanıt verebilirlik için FL'yi meta-öğrenme ve çoklu görev öğrenimi ile birleştiren Federated X Learning'i içermektedir.Genel olarak, FL, dağıtık öğrenmeye dönüşümcü ve gizliliği koruyan bir çözüm sunar, bu da veri koruma ve sistem performansı arasında dikkatli bir denge gerektirir.

Özet (Çeviri)

Federated Learning (FL) is an emerging decentralized machine learning paradigm that enables collaborative model training across distributed devices or organizations without sharing raw data. This approach is particularly crucial in domains where data privacy and regulatory compliance are paramount, such as healthcare, finance, and the Internet of Things. FL allows local devices to train models independently and send only model updates to a central server for aggregation, preserving data confidentiality. This study explores the architecture and core algorithms of FL, including Federated Averag¬ing, and evaluates privacy-preserving techniques such as Differential Privacy, Secure Aggregation, and Gradient Clipping in terms of model accuracy, computational overhead and privacy trade-offs. Through simulated experiments using the MNIST dataset which consists of 70,000 grayscale images of handwritten digits from 0 to 9 and of size 28x28 pixels, the study compares the performance trade-offs across these privacy methods. Results indicate that while baseline FL and simulated SecAgg configurations maintain high accuracy (~96.97%), the integration of DP and GC introduces modest to significant performance declines, reflecting a trade-off between privacy and model utility. Moreover, the study identifies challenges in FL, including data heterogeneity, communication efficiency, and the lack of standardized ethical frameworks. It emphasizes the need for adaptive aggregation strategies and robust privacy mechanisms to enhance model robustness and compliance. Future directions include Federated X Learning, combining FL with meta-learning and multitask learning for better generalization and responsiveness. Overall, FL offers a transformative and privacy-preserving solution to distributed learning, requiring careful balancing between data protection and system performance.

Benzer Tezler

  1. Tez No

    953595

    Finans alanında veri mahremiyeti yöntemleri: Federe öğrenme ve sentetik veri üretimi

    Data privacy methods in finance: Federated learning and synthetic data generation

    ELİF ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

  2. Tez No

    672457

    A comparative study of privacy-preserving techniques forthe cloud storage

    Bulut depolama için gizlilik koruma tekniklerinin karşılaştırmalı bir çalışması

    THR SATAR JABAR JABAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ALOK MISHRA

  3. Tez No

    822060

    Pertübasyon yöntemi ile hassas veri güvenliğine yönelik çok değişkenli veriler için tahmin analizi

    Prediction analysis for multivariate data with respect to sensitive data security using the perturbation method

    İLKER İLTER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAFİYE SENCER

  4. Tez No

    887239

    Privacy-preserving mechanisms for face verification systems

    Yüz doğrulama sistemleri için gizliliği koruyucu mekanizmalar

    MARAM H. W. ALAGHBAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM

  5. Tez No

    864196

    Hardware design of K2RED modular multiplication algorithm used in number theoretic transform for post quantum cryptography and homomorphic encryption

    Post kuantum kriptografi ve homomorfik şifreleme için sayı teorik dönüşümünde kullanılan K2RED modüler çarpma algoritmasının donanım tasarımı

    FURKAN CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. SIDDIKA BERNA ÖRS YALÇIN

Geri Dön