Page 9 - E-Tez Bülteni Mart 2025, SAYI 1
P. 9

Tez Özeti

        Günümüzde  yapay  zeka  sistemlerinin  yaygınlaşmasıyla  birlikte,  veri  gizliliği  ve  güvenliği  konuları  giderek  daha  fazla  önem
        kazanmaktadır.  Bu  bağlamda  ortaya  çıkan  federe  öğrenme,  merkezi  veri  toplama  gereksinimini  ortadan  kaldırarak  kullanıcı
        mahremiyetini  korumayı  hedefleyen  yenilikçi  bir  yaklaşımdır.  Ancak  bu  dağıtık  öğrenme  yapısı,  beraberinde  birtakım  güvenlik
        açıklarını da getirmektedir. Literatürdeki savunma mekanizmalarının kısıtlı varsayımlara dayanması ve yeterli deneysel bulgulardan
        yana  eksiklik  göstermesi,  yeni  ve  etkili  çözümlerin  geliştirilmesini  zorunlu  kılmaktadır.  Bu  tez  çalışmasında,  karşılaşılan  güvenlik
        tehditlerine ve literatürdeki eksiklikleri gidermek için iki özgün savunma algoritması önerilmiştir: nöron seçimine dayalı dinamik LD-
        SFL  ve  yüksek  oranda  kötü  niyetli  kullanıcı  içeren  senaryolarda  dahi  etkili  çalışan  NC-FLD.  Deneysel  çalışmalar  CIFAR-10,  F-
        MNIST,  MNIST  gibi  yaygın  kullanılan  veri  setlerinin  yanı  sıra  TURBT  ve  GTSRB  gibi  gerçek  dünya  veri  setleri  üzerinde
        gerçekleştirilmiştir.  Sonuçlar,  önerilen  savunma  algoritmalarının  hem  IID  hem  de  non-IID  veri  dağılımlarında,  çeşitli  saldırı
        senaryolarına karşı etkili olduğunu ve gerçek hayattaki federe öğrenme sistemlerine entegre edilebileceğini göstermektedir.



                   Anahtar kelimeler: Federe öğrenme, veri zehirlenmesi, model zehirlenmesi, Bizans saldırıları
   4   5   6   7   8   9   10   11   12   13   14