Üretken Çekişmeli Ağlar ve Veri Mahremiyeti
Özet
Bu çalışma, dijital çağda büyük önem taşıyan kişisel veri mahremiyeti ile derin öğrenme modellerinin eğitiminde ihtiyaç duyulan yüksek miktardaki veri toplama problemini ele almaktadır. Geleneksel veri artırma yöntemlerinin yetersiz kaldığı durumlarda, Üretken Çekişmeli Ağlar (GAN) veri mahremiyetini koruyarak gerçeğe yakın yapay veri üretimi sunan güçlü bir çözüm olarak öne çıkmaktadır. Ian Goodfellow tarafından 2014 yılında tanıtılan GAN mimarisi, birbiriyle rekabet eden üretici (G) ve ayrımcı (D) olmak üzere iki modelin minimax optimizasyonuna dayanır. Üretici, ayrımcıyı yanıltacak sahte veriler oluştururken; ayrımcı ise gerçek ve sahte verileri birbirinden ayırt etmeye çalışır. Çalışmada, Gazi Brains 2020 veri seti kullanılarak yapay beyin MR görüntüleri başarıyla üretilmiş ve modelin eğitim aşamaları görselleştirilmiştir. GAN'ların görüntü işleme, video oluşturma, tıp, sağlık ve biyoloji gibi geniş uygulama alanları tablolarla incelenmiştir. Eğitim verileri üzerinden oluşabilecek mahremiyet ihlallerini önlemek amacıyla literatürde önerilen DPGAN ve PATE-GAN gibi diferansiyel mahremiyet tabanlı modeller de ele alınmıştır. Sonuç olarak GAN teknolojisinin, yasal düzenlemelere uygun şekilde veri mahremiyeti endişelerini giderirken, yapay zekanın veri ihtiyacını karşılamada çok büyük bir potansiyel barındırdığı değerlendirilmektedir.
This study addresses personal data privacy, which is of paramount importance in the digital age, alongside the challenge of acquiring the large volumes of data required to train deep learning models. In scenarios where traditional data augmentation methods fall short, Generative Adversarial Networks (GANs) stand out as a powerful solution that generates realistic synthetic data while preserving data privacy. Introduced by Ian Goodfellow in 2014, the GAN architecture relies on the minimax optimization of two competing models: the generator (G) and the discriminator (D). The generator creates fake data to deceive the discriminator, while the discriminator attempts to distinguish between real and fake data. In this study, synthetic brain MR images were successfully generated using the Gazi Brains 2020 dataset, and the training phases of the model were visualized. The extensive application areas of GANs, including image processing, video generation, medicine, healthcare, and biology, are analyzed through tables. Furthermore, differential privacy-based models proposed in the literature, such as DPGAN and PATE-GAN, are discussed to prevent potential privacy violations arising from training data. Consequently, it is evaluated that GAN technology holds immense potential for addressing the data needs of artificial intelligence and driving its advancement while resolving data privacy concerns in compliance with legal regulations.
Referanslar
A. Tucker, Z. Wang, Y. Rotalinti, P. Myles, Generating high-fidelity synthetic patient data for assessing machine learning healthcare software, Npj Digital Medicine, 3(2), 147-157, 2020.
A. Deveci, M. F. Esen, Medikal Sentetik Veri Üretimiyle Veri Dengelemesi, İstatistik ve Uygulamalı Bilimler Dergisi, 1(5), 17-28, 2022.
H. Yılmaz, TS ISO/IEC 27001 Bilgi güvenliği yönetimi standardı kapsamında bilgi güvenliği yönetim sisteminin kurulması ve bilgi güvenliği risk analizi, Denetişim, 1(15), 45-59, 2014.
Y. Canbay, Ş. Sağıroğlu, Derin Öğrenmede Diferansiyel Mahremiyet, Uluslararası Bilgi Güvenliği Mühendisliği Dergisi, 6(1), 1-16, 2020.
P. Jain, M. Gyanchandani, N. Khare, Big data privacy: a technological perspective and review, Journal of Big Data, 3(1), 1-25, 2016.
Y. Canbay, Aykırı veri yönelimli fayda temelli büyük veri anonimleştirme modeli, Doktora, Gazi Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, 2019.
P. Canbay, H. Sever, The Effect of clustering on data privacy, 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), Florida, USA, 2015.
E. Aktan, Büyük veri: Uygulama alanları, analitiği ve güvenlik boyutu, Bilgi Yönetimi, 1(1), 1-22, 2018.
Y. Vural, Veri mahremiyeti: Saldırılar, korunma ve yeni bir çözüm önerisi, Uluslararası Bilgi Güvenliği Mühendisliği Dergisi, 4(2), 21-34, 2018.
Ş. Sağıroğlu, Bölüm 5: Büyük veri güvenliği ve mahremiyeti, Büyük veri analitiği, güvenliği ve mahremiyeti, ISBN: 978-605-86904-4-8 , Gazi Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Büyük Veri Analitiği Ve Güvenliği (Bidisec) Araştırma Gurubu, 32-37, 2016.
A. N. Akıncı, Büyük Veri Uygulamalarında Kişisel Veri Mahremiyeti, T.C. Cumhurbașkanliği strateji ve bütçe bașkanliği, 1(1), 1-20, 2019.
G. Yiğit, K. Ayşe, Derin Öğrenme Modellerinde Mahremiyet ve Güvenlik Üzerine Bir Derleme Çalışması, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(5), 1843-1859, 2021.
C. Dwork, Differential privacy: A survey of results, International conference on theory and applications of models of computation, Xi’an, China, 2008.
P. Kairouz et al., Advances and open problems in federated learning, Foundations and Trends® in Machine Learning, 14(1,2), 1-210, 2021.
S. AbdulRahman, H. Tout, H. Ould-Slimane, A. Mourad, C. Talhi, M. Guizani, A survey on federated learning: The journey from centralized to distributed on-site learning and beyond, IEEE Internet of Things Journal, 8(7), 5476-5497, 2020.
Q. Yang, Y. Liu, Y. Cheng, Y. Kang, T. Chen, H. Yu, Federated learning, Synthesis Lectures on Artificial Intelligence and Machine Learning, 13(3), 1-207, 2019.
K. G. Hartmann, R. T. Schirrmeister, T. Ball, EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals, arXiv preprint arXiv:1806.01875, 2018.
I. Goodfellow et al., Generative adversarial nets, Advances in neural information processing systems, 27(1), 2672-2680, 2014.
J. Gui, Z. Sun, Y. Wen, D. Tao, J. Ye, A review on generative adversarial networks: Algorithms, theory, and applications, arXiv preprint arXiv:2001.06937, 2020.
A. Creswell, T. White, V. Dumoulin, K. Arulkumaran, B. Sengupta, A. A. Bharath, Generative adversarial networks: An overview, IEEE Signal Processing Magazine, 35(1), 53-65, 2018.
S.-W. Park, J.-S. Ko, J.-H. Huh, J.-C. Kim, Review on Generative Adversarial Networks: Focusing on Computer Vision and Its Applications, Electronics, 10(10), 1192-1216, 2021.
I. Goodfellow, Nips 2016 tutorial: Generative adversarial networks, arXiv preprint arXiv:1701.00160, 2016.
M. A. Atıcı, Ş. Sağıroğlu, "Beyin Tümörlerinin Derin Öğrenme Yaklaşımlarıyla Tespiti, Doktora, Gazi Üniversitesi Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı, 2020.
A. Öcal, L. Özbakır, Supervised deep convolutional generative adversarial networks, Neurocomputing, 449(2), 389-398, 2021.
A. Dash, J. Ye, and G. Wang, A review of Generative Adversarial Networks (GANs) and its applications in a wide variety of disciplines--From Medical to Remote Sensing, arXiv preprint arXiv:2110.01442, 2021.
J. Brownlee, Generative Adversarial Networks with Python: Deep Learning Generative Models for Image Synthesis and Image Translation, Machine Learning Mastery, 2(1), 25-37, 2019.
Y. Liu, J. Peng, J. James, Y. Wu, PPGAN: Privacy-preserving generative adversarial network, 2019 IEEE 25Th international conference on parallel and distributed systems (ICPADS), Tianjin, China, 2019.
L. Xie, K. Lin, S. Wang, F. Wang, J. Zhou, Differentially private generative adversarial network, arXiv preprint arXiv:1802.06739, 2018.
R. Torkzadehmahani, P. Kairouz, B. Paten, Dp-cgan: Differentially private synthetic data and label generation, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, CA, USA, 2019.
J. Jordon, J. Yoon, M. Van Der Schaar, PATE-GAN: Generating synthetic data with differential privacy guarantees, International conference on learning representations, Vancouver, Canada, 2018.
P. Isola, J.-Y. Zhu, T. Zhou, A. A. Efros, Image-to-image translation with conditional adversarial networks, Proceedings of the IEEE conference on computer vision and pattern recognition, Hanolulu, Hawaii, 2017.
O. Mogren, C-RNN-GAN: Continuous recurrent neural networks with adversarial training, arXiv preprint arXiv:1611.09904, 2016.
H. Zhang et al., Stackgan: Text to photo-realistic image synthesis with stacked generative adversarial networks, Proceedings of the IEEE international conference on computer vision, Venice, Italy, 2017.
