Privacy preserving split learning
Gizliliği koruyan bölünüşmüş öğrenme
- Tez No: 992819
- Danışmanlar: DR. ÖĞR. ÜYESİ SİNEM SAV
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bölünüşmüş Öğrenme, ham verileri paylaşmadan işbirlikçi model eğitimine olanak tanır; ancak geleneksel biçimi, düz metin ara aktivasyonları ve gradyanlarının hassas bilgileri sızdırabilmesi nedeniyle savunmasız kalmaktadır. Bu sızıntılar, girdi yeniden yapılandırma, etiket ve özellik çıkarımı ve model manipülasyonu gibi saldırılara olanak tanıyarak, Bölünüşmüş Öğrenmenin sağlamayı amaçladığı gizlilik garantilerini baltalar. Bu tez, gizliliği koruyan bir bölünüşmüş öğrenme sistemi tasarlayarak bu sınırlamaları ele almaktadır. Önerilen tasarım, etiketlerin, kayıp hesaplamasının ve geri yayılımın tamamen istemcide kalmasını sağlarken, sunucu tarafındaki tüm hesaplamalar homomorfik Şifreleme kullanılarak şifre- lenmiş alanda gerçekleştirilir. Sonuç olarak, sunucu eğitim sırasında düz metin aktivasyonlarını, etiketlerini veya gradyanlarını asla gözlemlemez ve bilinen saldırı yüzeylerini ortadan kaldırır. Şifrelenmiş bölünüşmüş Öğrenmeyi pratik hale getirmek için tez, şifreli metin gürültü büyümesini, önyükleme gereksinimlerini ve uçtan uca çalışma süresini ağ mimarisi ve bölünüş yerleşimi fonksiyonları olarak modelleyen bir tahminleyici sunmaktadır. Tahminleyici, şifrelenmiş sunucu tarafı hesaplamasını ve düz metin istemci tarafı hesaplamasını birlikte yakalayarak, kapsamlı ampirik profil oluşturma gerektirmeden gürültü ve bütçe duyarlı bölme seçimine olanak tanır. Katkılarımız şunlardır: (i) gizlilik sızıntısına yol açan geleneksel bölme öğreniminin bileşenlerini belirleme ve analiz etme, (ii) tüm sunucu tarafı hesaplamasını şifrelenmiş veriler üzerinde gerçekleştirerek bilgi sızıntısını ortadan kaldıran ters bir bölme öğrenimi sistemi tasarlama ve (iii) kriptografik ve hesaplama kısıtlamaları altında bölme öğreniminde homomorfik şifrelemenin verimli kullanımını sağlayan bir tahminleyici geliştirme.
Özet (Çeviri)
Split Learning enables collaborative model training without sharing raw data; however, its traditional form remains vulnerable because plaintext intermediate activations and gradients can leak sensitive information. These leakages enable attacks such as input reconstruction, label and property inference, and model manipulation, undermining the privacy guarantees that split learning aims to provide. This thesis addresses these limitations by designing a privacy-preserving split learning system. The proposed design inverts the conventional workflow so that labels, loss computation, and backpropagation remain entirely on the client, while all server-side computation is performed in the encrypted domain using homomorphic encryption. As a result, the server never observes plaintext activations, labels, or gradients during training, eliminating known attack surfaces. To make encrypted split learning practical, the thesis introduces an estimator that models ciphertext noise growth, bootstrapping requirements, and end-to-end runtime as functions of network architecture and split placement. The estimator jointly captures encrypted server-side computation and plaintext client-side computation, enabling noise- and budget-aware split selection without exhaustive empirical profiling. Our contributions include: (i) identifying and analyzing the components of traditional split learning that lead to privacy leakage, (ii) designing an inverted split learning system that eliminates information leakage by executing all server-side computation over encrypted data, and (iii) developing an estimator that enables the efficient use of homomorphic encryption in split learning under cryptographic and computational constraints.
Benzer Tezler
- 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
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Veri anonimleştirme tekniklerinin makine öğrenmesi ile sınıflandırma performansı üzerindeki etkilerinin karşılaştırmalı analizi
Comparative analysis of the effects of data anonymization techniques on classification performance i̇n machine learning
ZEHRA BEGÜM AKTOLGA
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar
Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security
YUSUF ETKA KÖYLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOCAARSLAN
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Privacy-preserving distributed data mining and processing on horizontally partitioned data
Başlık çevirisi yok
MURAT KANTARCIOĞLU
Doktora
İngilizce
2005
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPurdue UnıversıtyPROF. CHRISTOPHER CLIFTON