Bayes ağlarının lokal diferansiyel mahremiyet altında öğrenilmesi

Bayes ağları, sağlık, çok-boyutlu veri analizi, çevresel modelleme ve endüstriyel süreçler de dahil olmak üzere birçok alanda nedensel keşif ve olasılıksal modelleme amacıyla yaygın olarak kullanılmaktadır. Önceki çalışmalar her ne kadar merkezi diferansiyel mahremiyet altında Bayes ağlarının öğrenilmesini çalışmış olsalar da, bildiğimiz kadarıyla lokal diferansiyel mahremiyet (LDP) altında Bayes ağlarının öğrenilmesi problemi halen açık bir problemdir. Bu tezde, Bayes ağlarının LDP altında öğrenilmesi problemini çözmek için iki çözüm yöntemi öneriyoruz: LDP-BN ve LDP-BN+. İlk çözümümüz olan LDP-BN, LDP altında Bayes ağı kurmak için gerekli olan ortak enformasyon miktarı değerlerini hesaplamak için özgün bir algoritma kullanır; fakat mahremiyet bütçesinin çok sayıda öznitelik ve aday ebeveyn kümesine bölünmesi gerektiği için yüksek fayda kaybına uğramaktadır. Gürültü miktarını azaltmak için önerdiğimiz LDP-BN+ çözümü, gerekli olan tüm ortak enformasyon miktarı değerlerinin hesaplanacağını garanti ederken, mahremiyet bütçesinin daha verimli kullanılabilmesi adına özgün bir yoğunluk-farkındalıklı kaplama tasarımı algoritması kullanır. Çalışmamızda, LDP-BN ve LDP-BN+ çözümlerini birden fazla fayda ölçütü ve veri kümesi kullanarak deneysel olarak değerlendiriyoruz. Sonuçlar, LDP-BN+'nın LDP-BN'e kıyasla daha iyi performans gösterdiğini ve LDP-BN+ sayesinde pratikte kullanılabilecek, yüksek faydaya sahip Bayes ağlarının öğrenilebil\-diğini göstermektedir.