Privacy preserving rule-based classifiers using modified artificial bee colony optimization algorithm

Abstract

Veri madenciliğinde verilerin gizliliğin korunması yeni bir araştırma alanıdır. Gizlilik korumalı veri madenciliğinin amacı veri üzerinde veri madenciliği tekniklerini gerçekleştirirken aynı zamanda da kişilerin hassas bilgilerinin sızmasını engellemektir. Sınıflandırma veri madenciliğinin en çok çalışılan konularından biridir ve bu nedenle gizlilik koruyuculukorumalı veri madenciliği alanında da popüler olmuştur. Diferansiyel gizlilik, gizlilik sızıntısının oranını ϵ parametresi kullanarak belirleyen ve araştırmacılara hassas bilginin bulunduğu veriyi analiz etme imkânı sağlayan güçlü bir gizlilik garantisidir. Literatürde Ant-Miner gibi meta-sezgisel kullanan kural tabanlı sınıflandırıcılar oldukça başarılı olmasına rağmen, bu algoritmaların diferansiyel gizlilik ile ilgili herhangi bir uygulaması gerçekleştirilmemiştir. Bu nedenle, bu tezde kural tabanlı sınıflandırıcıların meta-sezgisel algoritmalar kullanılarak diferansiyel gizlilik ile uygulamaları gerçekleştirilmektedir. Önerilen kural tabanlı sınıflandırma algoritmaları küçük ϵ değerleri için (ϵ=1) literatürde bulunan diğer sınıflandırma yöntemlerinden daha iyi bir performans göstermiştir. Anahtar Kelimeler: Diferansiyel olarak gizli kural tabanlı sınıflandırıcılar, Yapay Arı Kolonisi Optimizasyonu, Gizlilik koruyuculu sınıflandırma.Anahtar Kelimeler: Diferansiyel olarak gizli kural tabanlı sınıflandırıcılar, Yapay Arı Kolonisi Optimizasyonu, Meta-sezgiseller, Gizlilik koruyuculu sınıflandırma.

Privacy preserving data mining is a hot research field for data mining. The aim of privacy preserving data mining is to prevent the leakage of the sensitive information of individuals while performing data mining techniques. Classification task is one of the most studied fields in data mining hence in privacy preserving data mining as well. On the other hand, differential privacy is a powerful privacy guarantee that determines privacy leakage ratio by using ϵ parameter and enables researchers to mine data which includes sensitive information. Although the success of the rule-based classifiers using meta-heuristics such as Ant-Miner etc. in data mining has been demonstrated, any implementation of these classification algorithms with differential privacy has not been proposed in the literature to our best knowledge. Motivated by this, implementations of the rule-based classification algorithms by using meta-heuristics with differential privacy are performed in this thesis. According to the experimental results, the proposed rule-based classification algorithms outperform the other classification techniques in the literature for low ϵ parameters (i.e., ϵ=1). Key Words: Differentially Private Rule-Based Classifiers, Artificial Bee Colony Optimization, Privacy Preserving Classification.