Federated hybrid privacy-preserving movie recommendation system for internet-of-vehicles
Araçlarin internetinde federe hibrit gizlilik korumali film öneri sistemi
- Tez No: 902628
- Danışmanlar: DR. ÖĞR. ÜYESİ AYŞEGÜL ERMAN TÜYSÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Işık Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırmada, araç içi film öneri sistemleriyle ilgili gizlilik endişelerinin üstesinden gelmek için yenilikçi bir strateji tanıttık. Günümüzde, kullanıcıların kişisel verilerinin korunması, özellikle araç içi eğlence sistemleri gibi hassas alanlarda büyük bir önem taşımaktadır. Bu bağlamda, PyTorch çerçevesi kullanılarak sıfırdan bir temel oluşturulmuştur. Eğitim sürecinde, Laplace gürültü eklenmesi yöntemi, diferansiyel gizliliği sağlarken aynı zamanda model performansını optimize etmektedir. Bu yöntem, kullanıcı verilerini koruma amacını güderken, öneri sisteminin doğruluğunu da artırmaktadır. Ayrıca, Optuna hiperparametre optimizasyon çerçevesi, modelin performansını daha da geliştirmekte ve sistemin genel verimliliğini artırmaktadır. Movielens-1M referans film veri kümesini kullanarak gerçekleştirdiğimiz kapsamlı deneyler, yaklaşımımızın öneri doğruluğundan ödün vermeden kullanıcı gizliliğini korumadaki etkinliğini ortaya koymuştur. Elde ettiğimiz sonuçlar, temel modellere göre kayda değer bir iyileşme göstermekte ve gizliliği koruyan araç film öneri sistemimizin etkinliğini doğrulamaktadır. Ayrıca, merkezi film öneri sistemimizi FedAvg, FedProx ve FedMedian gibi pratik federe çerçevelerle kapsamlı bir şekilde karşılaştırdık. Bulgularımız, tüm federe modellerin daha kısa çalışma süreleriyle merkezi modellere göre en az %2 daha iyi performans gösterdiğini ve öneri kalitesinden ödün vermeden sistem verimliliğini artırdığını ortaya koymaktadır. Bu sonuçlar, gelecekteki araştırmalar için önemli bir temel oluşturarak, kullanıcı gizliliği ile sistem performansı arasında bir denge kurmanın mümkün olduğunu göstermektedir.
Özet (Çeviri)
In this research, we introduced a pioneering strategy to address the pressing privacy concerns associated with vehicular movie recommendation systems. As the demand for personalized entertainment options in vehicles increases, so does the need to protect user data. To tackle this challenge, we utilized the PyTorch framework to create a robust foundation from scratch. A key component of our approach was the addition of Laplace noise during the training process, which ensured differential privacy. This technique effectively safeguarded user data while simultaneously optimizing model performance, allowing us to maintain high levels of recommendation accuracy. Furthermore, we employed the Optuna hyperparameter optimization framework, which played a crucial role in enhancing the model's performance. By fine-tuning various parameters, we were able to elevate the overall efficiency of the system beyond the capabilities of the base model. Our extensive experimentation utilized the Movielens-1M benchmark movie dataset, which provided a solid basis for evaluating our approach. The results demonstrated a significant improvement over baseline models, validating the effectiveness of our privacy-preserving vehicular movie recommendation system. In addition to our centralised model, we conducted a comprehensive comparison with practical federated frameworks, including FedAvg, FedProx, and FedMedian. Our findings revealed that all federated models outperformed the centralised models by at least 2%, while also exhibiting shorter runtimes.
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
- Localization-guided federated learning for multi-center 3D segmentation of pediatric cardiovascular structures
Pediatrik kardiyovasküler yapıların çok merkezli 3B segmentasyonu için lokalizasyon rehberli federatif öğrenme
İREM YILMAZ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAKİP ÖNDER
DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN
- Traffic Flow Prediction Using Federated Learning
Birleşik öğrenme tabanlı trafik akışı tahmini
AYŞE ÖZTAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ARSLAN
DR. NURGÜL GÖKGÖZ KÜÇÜKSAKALLI
- Enhancing botnet detection using federated learning in iot networks
Iot ağlarinda federe öğrenme yöntemini kullanarak botnet tespitinin geliştirilmesi
NİLÜFER USLAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Tıbbi nesnelerin interneti (IoMT) için mahremiyet-artırıcı bir makine öğrenmesi yaklaşımı
A privacy-enhancing machine learning approach for the internet of medical things (IoMT)
RIZWAN UZ ZAMAN WANI
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜ CAN