Federated hybrid privacy-preserving movie recommendation system for internet-of-vehicles

Basit Öğe Kaydı
dc.contributor.advisorErman Tüysüz, Ayşegülen_US
dc.contributor.authorŞimşek, Musaen_US
dc.contributor.otherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.contributor.otherIşık University, School of Graduate Studies, Master’s Program in Computer Engineeringen_US
dc.date.accessioned2025-06-09T15:54:05Z
dc.date.available2025-06-09T15:54:05Z
dc.date.issued2024-08-02
dc.departmentIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.departmentIşık University, School of Graduate Studies, Master’s Program in Computer Engineeringen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 74-80)en_US
dc.descriptionviii, 81 leavesen_US
dc.description.abstractIn this research, we introduced a pioneering strategy to address the pressing privacy concerns associated with vehicular movie recommendation systems. As the demand for personalized entertainment options in vehicles increases, so does the need to protect user data. To tackle this challenge, we utilized the PyTorch framework to create a robust foundation from scratch. A key component of our approach was the addition of Laplace noise during the training process, which ensured differential privacy. This technique effectively safeguarded user data while simultaneously optimizing model performance, allowing us to maintain high levels of recommendation accuracy. Furthermore, we employed the Optuna hyperparameter optimization framework, which played a crucial role in enhancing the model's performance. By fine-tuning various parameters, we were able to elevate the overall efficiency of the system beyond the capabilities of the base model. Our extensive experimentation utilized the Movielens-1M benchmark movie dataset, which provided a solid basis for evaluating our approach. The results demonstrated a significant improvement over baseline models, validating the effectiveness of our privacy-preserving vehicular movie recommendation system. In addition to our centralised model, we conducted a comprehensive comparison with practical federated frameworks, including FedAvg, FedProx, and FedMedian. Our findings revealed that all federated models outperformed the centralised models by at least 2%, while also exhibiting shorter runtimes.en_US
dc.description.abstractBu araştırmada, araç içi film öneri sistemleriyle ilgili gizlilik endişelerinin üstesinden gelmek için yenilikçi bir strateji tanıttık. Günümüzde, kullanıcıların kişisel verilerinin korunması, özellikle araç içi eğlence sistemleri gibi hassas alanlarda büyük bir önem taşımaktadır. Bu bağlamda, PyTorch çerçevesi kullanılarak sıfırdan bir temel oluşturulmuştur. Eğitim sürecinde, Laplace gürültü eklenmesi yöntemi, diferansiyel gizliliği sağlarken aynı zamanda model performansını optimize etmektedir. Bu yöntem, kullanıcı verilerini koruma amacını güderken, öneri sisteminin doğruluğunu da artırmaktadır. Ayrıca, Optuna hiperparametre optimizasyon çerçevesi, modelin performansını daha da geliştirmekte ve sistemin genel verimliliğini artırmaktadır. Movielens-1M referans film veri kümesini kullanarak gerçekleştirdiğimiz kapsamlı deneyler, yaklaşımımızın öneri doğruluğundan ödün vermeden kullanıcı gizliliğini korumadaki etkinliğini ortaya koymuştur. Elde ettiğimiz sonuçlar, temel modellere göre kayda değer bir iyileşme göstermekte ve gizliliği koruyan araç film öneri sistemimizin etkinliğini doğrulamaktadır. Ayrıca, merkezi film öneri sistemimizi FedAvg, FedProx ve FedMedian gibi pratik federe çerçevelerle kapsamlı bir şekilde karşılaştırdık. Bulgularımız, tüm federe modellerin daha kısa çalışma süreleriyle merkezi modellere göre en az %2 daha iyi performans gösterdiğini ve öneri kalitesinden ödün vermeden sistem verimliliğini artırdığını ortaya koymaktadır. Bu sonuçlar, gelecekteki araştırmalar için önemli bir temel oluşturarak, kullanıcı gizliliği ile sistem performansı arasında bir denge kurmanın mümkün olduğunu göstermektedir.en_US
dc.description.tableofcontentsINTERNET OF THINGSen_US
dc.description.tableofcontentsINTERNET OF VEHICLESen_US
dc.description.tableofcontentsVEHICULAR INFOTAINMENT SYSTEMSen_US
dc.description.tableofcontentsDESIGNING AN ETHICAL MACHINE LEARNING MODELen_US
dc.description.tableofcontentsDIFFERENTIAL PRIVACYen_US
dc.description.tableofcontentsHYPERPARAMETER OPTIMISATIONen_US
dc.description.tableofcontentsCENTRALISED LEARNINGen_US
dc.description.tableofcontentsFEDERATED LEARNINGen_US
dc.description.tableofcontentsVEHICULAR FEDERATED LEARNINGen_US
dc.description.tableofcontentsHYBRID RECOMMENDATION SYSTEMSen_US
dc.description.tableofcontentsCENTRALISED HYBRID MOVIE RECOMMENDATION SYSTEMSen_US
dc.description.tableofcontentsFEDERATED HYBRID MOVIE RECOMMENDATION SYSTEMSen_US
dc.description.tableofcontentsCOMPARING CENTRALISED AND FEDERATED HYBRID MOVIE RECOMMENDATION SYSTEMSen_US
dc.identifier.citationŞimşek, M. (2024). Federated hybrid privacy-preserving movie recommendation system for internet-of-vehicles. İstanbul: Işık Üniversitesi Lisansüstü Eğitim Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/6433
dc.identifier.yoktezid902628
dc.institutionauthorŞimşek, Musaen_US
dc.language.isoenen_US
dc.publisherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectFederated learningen_US
dc.subjectHyperparameter optimisationen_US
dc.subjectInternet-of- vehiclesen_US
dc.subjectPrivacy enhancing technologiesen_US
dc.subjectRecommender systemsen_US
dc.subjectFedere öğrenmeen_US
dc.subjectHiperparametre optimizasyonuen_US
dc.subjectAraçların internetien_US
dc.subjectGizlilik güçlendirici teknolojileren_US
dc.subjectÖneri sistemlerien_US
dc.titleFederated hybrid privacy-preserving movie recommendation system for internet-of-vehiclesen_US
dc.title.alternativeAraçların internetinde federe hibrit gizlilik korumalı film öneri sistemien_US
dc.typeMaster Thesisen_US
dspace.entity.typePublicationen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Federated_hybrid_privacy_preserving_movie_recommendation_system_for_internet_of_vehicles.pdf
Boyut:
1.32 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu