Veri mahremiyetinin ve istatistiki özelliklerin korunmasında makine öğrenimi ile meta sezgisel yöntemlerin entegrasyonu

Bu çalışma, sağlık verileri gibi hassas veri türlerinin gizliliğini koruma konusuna yenilikçi bir yaklaşım sunmaktadır. Geleneksel yöntemlerin veri analiz doğruluğunu düşürme eğilimi dikkate alınarak, makine öğrenimi ve meta sezgisel yöntemlerin entegrasyonu ile hem veri mahremiyetinin sağlanması hem de istatistiki özelliklerin bozulmadan korunması hedeflenmiştir. Çalışmada, genetik algoritmalar ve diferansiyel mahremiyet mekanizmaları temel alınarak sentetik hasta verileri üzerinde deneyler gerçekleştirilmiştir. Öncelikle, farklı epsilon değerleriyle gizlilik seviyeleri optimize edilmiş, ardından sınıflandırma algoritmaları ile veri analizi yapılmıştır. Ayrıca, Principal Component Analysis (PCA) kullanılarak veri boyutu düşürülmüş ve sonuçlar değerlendirilmiştir. Elde edilen sonuçlar, özellikle Laplace mekanizmasının sürekli ve kategorik verilere etkili bir şekilde gizlilik sağlayabildiğini ve genetik algoritmalarla optimize edilmiş parametrelerin doğruluk ve mahremiyeti dengelemede önemli bir rol oynadığını göstermiştir. XGBoost algoritması, entegre edilen veri setlerinde en yüksek doğruluk skorlarını elde etmiştir. Bu çalışma, literatüre, diferansiyel mahremiyet yöntemlerinin meta sezgisel algoritmalarla birleştirilmesi yoluyla, hassas veri türleri üzerinde daha güvenilir ve etkili analiz yöntemleri geliştirilmesine yönelik önemli katkılar sunmaktadır.