Veri mahremiyetinin ve istatistiki özelliklerin korunmasında makine öğrenimi ile meta sezgisel yöntemlerin entegrasyonu

Bu çalışma, sağlık verileri gibi hassas veri türlerinin gizliliğini koruma konusuna yenilikçi bir yaklaşım sunmaktadır. Geleneksel yöntemlerin veri analiz doğruluğunu düşürme eğilimi dikkate alınarak, makine öğrenimi ve meta sezgisel yöntemlerin entegrasyonu ile hem veri mahremiyetinin sağlanması hem de istatistiki özelliklerin bozulmadan korunması hedeflenmiştir. Çalışmada, genetik algoritmalar ve diferansiyel mahremiyet mekanizmaları temel alınarak sentetik hasta verileri üzerinde deneyler gerçekleştirilmiştir. Öncelikle, farklı epsilon değerleriyle gizlilik seviyeleri optimize edilmiş, ardından sınıflandırma algoritmaları ile veri analizi yapılmıştır. Ayrıca, Principal Component Analysis (PCA) kullanılarak veri boyutu düşürülmüş ve sonuçlar değerlendirilmiştir. Elde edilen sonuçlar, özellikle Laplace mekanizmasının sürekli ve kategorik verilere etkili bir şekilde gizlilik sağlayabildiğini ve genetik algoritmalarla optimize edilmiş parametrelerin doğruluk ve mahremiyeti dengelemede önemli bir rol oynadığını göstermiştir. XGBoost algoritması, entegre edilen veri setlerinde en yüksek doğruluk skorlarını elde etmiştir. Bu çalışma, literatüre, diferansiyel mahremiyet yöntemlerinin meta sezgisel algoritmalarla birleştirilmesi yoluyla, hassas veri türleri üzerinde daha güvenilir ve etkili analiz yöntemleri geliştirilmesine yönelik önemli katkılar sunmaktadır.

This study offers an innovative approach to preserving the privacy of sensitive data types, such as health data. Considering the tendency of traditional methods to reduce data analysis accuracy, the integration of machine learning and metaheuristic methods is aimed at achieving both data privacy and the preservation of statistical properties without compromise. In this study, experiments were conducted on synthetic patient data using genetic algorithms and differential privacy mechanisms. Initially, privacy levels were optimized through different epsilon values, followed by data analysis using classification algorithms. Additionally, Principal Component Analysis (PCA) was employed to reduce data dimensions, and the results were evaluated. The findings demonstrate that the Laplace mechanism effectively ensures privacy for both continuous and categorical data, and genetic algorithm-optimized parameters play a significant role in balancing accuracy and privacy. The XGBoost algorithm achieved the highest accuracy scores in the integrated datasets. This study provides significant contributions to the literature by developing more reliable and efficient analysis methods for sensitive data types through the combination of differential privacy methods and metaheuristic algorithms.