Privacy-preserving data normalization techniques with multiparty homomorphic encryption for federated learning
Federe öğrenme için gizliliği çok taraflı homomorfik şifreleme ile koruyan veri normalleştirme teknikleri
- Tez No: 970876
- 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: Makine öğrenmesi, Veri güvenliği, Veri şifreleme, Yapay zeka, Machine learning, Data security, Data encryption, Artificial intelligence
- Yıl: 2025
- 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
Veri normalleştirme, model performansını ve eğitim kararlılığını artırmak için çok önemli bir ön işleme adımıdır. İşbirliğine dayalı model eğitimi sırasında verilerin birden fazla tarafa dağıtıldığı federe öğrenmede (FL), verilerin merkezi olmayan ve genellikle heterojen yapısı nedeniyle normalleştirme benzersiz zorluklar ortaya çıkarır. Geleneksel yöntemler ya bağımsız istemci tarafı işlemeye, yani yerel normalleştirme, ya da tüm veri kümesini taraflara dağıtmadan önce normalleştirmeye, yani havuzlanmış normalleştirme, dayanır. Yerel normalleştirme heterojen veri dağılımlarında sorunluyken, havuzlanmış normalleştirme FL'nin merkeziyetsiz yapısıyla çelişir. Bu tezde, yaygın olarak kullanılan normalleştirme tekniklerinin FL'ye uyarlanmasını araştırıyor ve federe normalleştirme terimini tanımlıyoruz. Federe normalleştirme, taraflar arasında parametre paylaşımıyla havuzlanmış normalleştirmeyi simüle eder. Böylece, veri yerelliğinden ödün vermeden havuzlanmış normalleştirme ile eşit performans elde eder. Bununla birlikte, medyan gibi normalleştirme parametrelerinin paylaşılması potansiyel gizlilik risklerini beraberinde getirir ve biz de bu riskleri gizliliği koruyan sağlam bir çözümle azaltıyoruz. Katkılarımız şunları içermektedir: (i) Bağımsız ve özdeş dağılımlı olmayan FL senaryolarında çeşitli federe ve yerel normalleştirme tekniklerinin etkisini sistematik olarak değerlendiriyoruz, (ii) Güvenli ve verimli federe normalleştirme sağlayan, federe ortam için uyarlanmış yeni bir homomorfik olarak şifrelenmiş k-inci sıralı eleman (ve medyan) hesaplaması öneriyoruz, (iii) Çok partili tam homomorfik şifrelemeden (MHE) yararlanarak FL için yaygın olarak kullanılan normalleştirme tekniklerinin gizliliği koruyan uygulamalarını öneriyoruz.
Özet (Çeviri)
Data normalization is a crucial preprocessing step for enhancing model performance and training stability. In federated learning (FL), where data remains distributed across multiple parties during collaborative model training, normalization presents unique challenges due to the decentralized and often heterogeneous nature of the data. Traditional methods rely on either independent client-side processing, i.e., local normalization, or normalizing the entire dataset before distributing it to parties, i.e., pooled normalization. Local normalization can be problematic when data distributions across parties are non-IID, while the pooled normalization approach conflicts with the decentralized nature of FL. In this thesis, we explore the adaptation of widely used normalization techniques to FL and define the term federated normalization. Federated normalization simulates pooled normalization by enabling the collaborative exchange of normalization parameters among parties. Thus, it achieves performance on par with pooled normalization without compromising data locality. However, sharing normalization parameters such as the median introduces potential privacy risks, which we further mitigate through a robust privacy-preserving solution. Our contributions include: (i) We systematically evaluate the impact of various federated and local normalization techniques in non-IID FL scenarios, (ii) We propose a novel homomorphically encrypted k-th ranked element (and median) calculation tailored for the federated setting, enabling secure and efficient federated normalization, (iii) We propose privacy-preserving implementations of widely used normalization techniques for FL, leveraging multiparty fully homomorphic encryption (MHE).
Benzer Tezler
- 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
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAFİYE SENCER
- Tamamen homomorfik şifrelenmiş veriler üzerinde yapay sinir ağları performans değerlendirmesi
Performance evaluation of artificial neural networks on fully homomorphic encrypted data
SEYHAN AĞLAR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM ERDAŞ ÇİÇEK
- Yerel görünüm ve derin modeller kullanarak hibrit bir yüz tanıma yaklaşımı
A hybrid face recognition approach using local appearance and deep models
MERT ARI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Privacy preserving database external layer construction algorithm via secure decomposition for attribute-based security policies
Alan bazlı güvenlik içeren veritabanları için gizliliği koruyan güvenli parçalama yöntemi ile kullanıcı dış katmanının oluşturulması
UĞUR TURAN
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI TOROSLU
- 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