Fairnessdplab: evaluating fairness impact of differential privacy on supervised ai algorithms

Bu tez, FairnessDPLab adlı bir karşılaştırma platformu ile gözetimli yapay zeka (YZ) algoritmalarında diferansiyel mahremiyetin adalet üzerindeki etkisini incelemektedir. Söz konusu platform, bu alanda yaygın biçimde kullanılan üç veri setini (Adult, COMPAS ve German Credit) kullanarak mahremiyet ile adalet arasındaki ilişkiyi sistematik bir şekilde değerlendirmektedir. Çalışma, makine öğrenmesi ve derin öğrenme modellerinden yararlanarak farklı mahremiyet bütçelerinin çeşitli adalet metrikleri üzerindeki sonuçlarını analiz etmektedir. Elde edilen bulgular, mahremiyet ve adalet arasındaki dengenin veri seti ya da model tercihi gibi farklı kullanım koşullarıyla nasıl değişiklik gösterebileceğini raporlar. Örneğin, düşük verilen mahremiyet bütçe değerleri mahremiyeti artırırken, model doğruluğu ve adalet ölçümlerinde istenmeyen değişimlere yol açabilmektedir. Derin öğrenme modelleri, lojistik regresyon ve rastgele orman gibi geleneksel makine öğrenmesi yöntemlerine kıyasla mahremiyet ayarlarına karşı daha yüksek duyarlılık göstermektedir. Ayrıca, mahremiyet metriklerinin seçiminde dikkatli bir analiz yapılması gerektiği, incelenecek alana göre metrik seçiminde değişiklik yapılması gerektiği belirtilmiştir. Bu çalışma, diferansiyel mahremiyet kısıtları altında adaleti incelemek için sağlam bir çerçeve sunarak, adil YZ sistemleri üzerine giderek büyüyen literatüre katkıda bulunmaktadır. Elde edilen analizler, farklı uygulamalarda fayda ve adaletin dengesini gözeten mahremiyet korumalı YZ sistemlerinin tasarımında pratik rehberlik sağlamaktadır.