İstatiksel yayılım yöntemleri ile ataklara dayanıklı federe öğrenme

Yapay zekâ alanında önemli bir yöntem olan federe öğrenme, verilerin katılımcılardan doğrudan alınmadan eğitim yapılmasını sağlayarak, kişisel veri güvenliği açısından önemli avantajlar sunar. Ancak, federe öğrenmede katılımcılardan herhangi bir veri alınmaması, sistemi çeşitli saldırılara karşı savunmasız bırakabilmektedir. Literatürde, federe öğrenmedeki güvenlik açıklarına karşı geliştirilen yöntemler genellikle düşük yoğunlukta kötü niyetli katılımcılara odaklanmıştır. Ancak, yüksek yoğunlukta kötü niyetli katılımcıların bulunduğu durumlarda, bu yöntemler yetersiz kalabilir ve güvenlik zafiyetlerine yol açabilir. Tez çalışmasında, saldırılara karşı dayanıklı bir federe öğrenme yöntemi geliştirilmiştir. Önerilen istatistiksel yayılım yöntemleri kullanılarak, özellikle kötü niyetli katılımcı oranlarının yüksek olduğu senaryolarda yöntemimizin gücü vurgulanmıştır. Çalışmada, Bizans saldırıları ve Etiket Çevirme saldırılarında yöntemin performansı test edilmiştir. Yapılan çeşitli deneysel çalışmalar, önerilen yöntemin etkinliğini ve mevcut yöntemlere kıyasla üstünlüğünü net bir şekilde ortaya koymuştur. Ayrıca, önerilen yöntem literatürdeki yöntemlerle karşılaştırılarak, sağlanan iyileştirmeler detaylı bir şekilde analiz edilmiştir.