İçeriğe geç
parazade
Yapay Zeka

Diferansiyel Gizlilik Nedir?

İngilizce: Differential Privacy

Yayın: · Son güncelleme:

Diferansiyel Gizlilik Nedir? Kısaca

Diferansiyel gizlilik, bir veri seti üzerinde yapılan analizlerin sonucuna kontrollü miktarda rastgele gürültü ekleyerek, sonuçtan herhangi bir bireyin veri setinde olup olmadığının çıkarılamamasını matematiksel olarak güvenceye alan bir mahremiyet yaklaşımıdır.

Diferansiyel Gizlilik nedir?
İçindekiler
  1. Diferansiyel gizlilik nedir?
  2. Örnek
  3. Nelere dikkat etmeli?

Diferansiyel gizlilik, kişisel verilerle çalışırken hem işe yarar istatistikler elde etmeyi hem de bireylerin mahremiyetini korumayı amaçlar. Temel fikri şudur: bir kişinin verisi veri setine eklense de çıkarılsa da analiz sonucu neredeyse aynı kalmalıdır.

Diferansiyel gizlilik nedir?

Bu güvence, sonuçlara bilinçli olarak rastgele gürültü eklenerek sağlanır. Gürültünün miktarı "epsilon" adı verilen bir parametreyle ayarlanır. Epsilon küçüldükçe gizlilik artar ama sonuçların hassasiyeti azalır. Epsilon büyüdükçe sonuçlar daha doğru olur ama gizlilik güvencesi zayıflar. Bu dengeye "gizlilik bütçesi" de denir.

Örnek

Varsayımsal bir hastane, bir hastalığın kaç hastada görüldüğünü paylaşmak istesin. Gerçek sayı 120 ise sistem 118 ya da 123 gibi küçük sapmalı bir değer yayımlar. Bu fark genel tabloyu bozmaz, ama belirli bir kişinin listede olup olmadığını anlamayı zorlaştırır.

Makine öğrenmesinde ise gürültü eğitim sırasında gradyanlara eklenir. Böylece modelin tek tek kişilerin verisini ezberlemesi sınırlanır. Bu yöntem federe öğrenme ile birlikte de kullanılabilir.

Nelere dikkat etmeli?

  • Aynı veri üzerinde çok sayıda sorgu yapıldıkça gizlilik bütçesi tükenir.
  • Yöntem, veri anonimleştirmenin yerini tamamen tutmaz; birlikte değerlendirilmelidir.
  • Türkiye'de kişisel verilerin işlenmesinde KVKK kapsamındaki yükümlülükler ayrıca geçerlidir; güncel kuralları resmî kaynaklardan kontrol et.

Sıkça Sorulan Sorular

Diferansiyel gizlilik ile anonimleştirme arasındaki fark nedir?

Anonimleştirme, ad ve kimlik numarası gibi tanımlayıcıları kaldırır ama başka verilerle eşleştirilerek kişi yeniden bulunabilir. Diferansiyel gizlilik ise sonuçların kendisine matematiksel bir koruma ekler.

Epsilon değeri ne kadar olmalı?

Tek bir doğru değer yoktur; verinin hassasiyetine ve kullanım amacına göre seçilir. Küçük epsilon daha güçlü gizlilik, büyük epsilon daha doğru sonuç demektir.

İlgili terimler

Veri Anonimleştirme(Data Anonymization)Veri anonimleştirme, kişisel verilerin başka verilerle eşleştirilse dahi kimliği belirli ya da belirlenebilir bir kişiyle ilişkilendirilemeyecek hâle getirilmesidir. Amaç, veriden yararlanırken bireylerin mahremiyetini korumaktır.Federe Öğrenme(Federated Learning)Federe öğrenme, bir makine öğrenmesi modelinin verileri tek bir merkezde toplamadan, verinin bulunduğu cihaz ya da kurumlarda yerel olarak eğitildiği ve yalnızca model güncellemelerinin paylaşıldığı dağıtık bir eğitim yöntemidir.Sentetik Veri(Synthetic Data)Sentetik veri, gerçek olaylardan ya da kişilerden doğrudan toplanmak yerine algoritmalar veya yapay zekâ modelleri tarafından üretilen, ancak gerçek verinin istatistiksel özelliklerini taklit eden veridir.Yapay Zekâ Etiği(AI Ethics)Yapay zekâ etiği, yapay zekâ sistemlerinin geliştirilmesi ve kullanılmasında adalet, şeffaflık, gizlilik, güvenlik ve hesap verebilirlik gibi değerleri gözeten ilke ve uygulamaların bütünüdür.Harf Çevirisi(Transliteration)Harf çevirisi (transliterasyon), bir yazı sistemindeki metnin, anlamı çevrilmeden başka bir yazı sisteminin harfleriyle yazılmasıdır. Örneğin Kiril alfabesiyle yazılmış bir ismin Latin harflerine aktarılması harf çevirisidir.Dil Tespiti(Language Detection)Dil tespiti (language detection), bir metnin ya da ses kaydının hangi dilde olduğunu otomatik olarak belirleyen doğal dil işleme görevidir. Çeviri, arama motorları ve içerik moderasyonu gibi pek çok sistemin ilk adımıdır.