Differentially private attribute selection for classification

Abstract

Büyük veriler üzerindeki çalışmalar ve analizler gizliliği, özellikle kişisel hassas bilgilerin gizliliğini gözetmek durumundadır. Gerekli koruma önlemleri alınmazsa kötü niyetli kişiler kritik bilgilere ulaşabilir ve bunları şantaj, dolandırıcılık gibi çeşitli zararlı amaçlı için kullanabilir. Veri güvenliği kavramının önemi ve gerekliliği günden güne artmaktadır ve halk, hükümet yetkilileri ve medya bu kavrama giderek artan bir ilgi göstermektedir. Bu tez yaygın kullanılan bir veri madenciliği kütüphanesi olan WEKA üzerinde, ayrımsal mahremiyet kavramını veri madenciliğinin bir alanı olan özellik seçimi yönünden ele alıp veri güvenliği performansını geliştiren bir yaklaşım sunmaktadır.

The studies and statistical analysis on big data violate privacy especially personal sensitive information privacy. Malicious people can attempt to reach critical informationthen try to extract useful data to use it in agency operations, blackmail, fraud or anyother harmful actions. Importance and necessity of data mining security is increasingday by day, hence public and government lawmakers, privacy advocates and the mediahave growing interest on this subject. This thesis exploits an approach to improve thedata security performance of differential privacy by blending feature selection with apopular data mining library WEKA.