Z. Mahmood daktaro disertacijos „Anomalijų nustatymo metodo tyrimas ir įgyvendinimas vaizdo duomenų rinkiniuose taikant federacinį mokymą ir blokų grandinių technologiją“ gynimas

Autorius, institucija: Zeba Mahmood, Kauno technologijos universitetas

Mokslo sritis, kryptis: gamtos mokslai, informatika, N009

Mokslinis vadovas: prof. dr. Vacius Jusas (Kauno technologijos universitetas, gamtos mokslai, informatika, N009)

Informatikos mokslo krypties disertacijos gynimo taryba:
prof. habil. dr. Rimantas Barauskas (Kauno technologijos universitetas, gamtos mokslai, informatika, N009) – pirmininkas
vyresn. m. d., dr. Jolita Bernatavičienė (Vilniaus universitetas, gamtos mokslai, informatika, N009)
prof. dr. Gintaras Palubeckis (Kauno technologijos universitetas, gamtos mokslai, informatika, N009)
prof. dr. Agnė Paulauskaitė-Tarasevičienė (Kauno technologijos universitetas, gamtos mokslai, informatika, N009)
prof. dr. Filippo Sanfilippo (Agderio universitetas, Norvegija, gamtos mokslai, informatika, N009)

Su disertacija galima susipažinti Kauno technologijos universiteto bibliotekoje (K. Donelaičio g. 20, Kaunas).

Disertacijos gynimas vyks Kauno technologijos universiteto Rektorato salėje (K. Donelaičio g. 73-402, Kaunas).

Anotacija: Pastaruoju metu anomalijų aptikimas tapo svarbia problema daugelyje sričių, įskaitant vaizdų duomenų rinkinius. Ji apima duomenų modelių, kurie smarkiai nukrypsta nuo įprastos elgsenos, nustatymą, nurodant galimas anomalijas arba nukrypimus. Dalijantis neskelbtinais duomenimis su trečiosiomis šalimis dažnai kyla susirūpinimas dėl privatumo. Tuo tarpu blokų grandinės ir federacinio mokymosi technologijos teikia naudos duomenų prieinamumo ir privatumo požiūriu. Federacinis mokymasis ir blokų grandinė – tai dvi technologijos, kurias galima naudoti sprendžiant šias problemas. Šių metodų derinys suteikia galingą priemonę anomalijoms aptikti saugiu ir privatumą išsaugančiu būdu, todėl šis metodas tampa vis populiaresnis pramonės šakose, kuriose duomenų privatumas ir saugumas yra itin svarbūs. Šiame darbe siūlome anomalijų aptikimo vaizdų duomenų rinkiniuose sistemą, naudojančią federacinį mokymąsi ir blokų grandinę. Siekiant aptikti anomalijas vaizdų duomenų rinkiniuose naudojant federacinį mokymąsi (FL) ir blokų grandinės technologiją, galima naudoti prižiūrimo ir neprižiūrimo mokymosi metodų derinį. Taikant šį metodą kelios šalys apmoko visuotinį modelį pagal savo atitinkamus vietinius duomenų rinkinius, tiesiogiai nesidalydamos duomenimis, o tai įgalina FL technika. Blokų grandinės technologija užtikrina mokymo proceso vientisumą ir skaidrumą, todėl jis tampa apsaugotas nuo klastojimo ir suteikia patikrinamą audito seką. Neprižiūrimo mokymosi metodas naudojamas anomalijoms, nukrypstančioms nuo įprasto modelio, nustatyti, o prižiūrimo mokymosi metodas naudojamas aptiktoms anomalijoms klasifikuoti. Siekiant padidinti privatumą ir saugumą, naudotas nulinių žinių įrodymas (ZKP), kuris leidžia šalims įrodyti savo vietinių modelių pagrįstumą neatskleidžiant savo duomenų. Aprašome sistemos architektūrą ir pateikiame jos veiksmingumą įrodančius eksperimentinius rezultatus. Mūsų rezultatai rodo, kad siūloma sistema gali pasiekti didelį tikslumą išsaugant privatumą ir saugumą, aptikimo tikslumu ji lenkia esamus metodus, kartu užtikrindama duomenų privatumą ir saugumą, todėl tinka įvairiems taikymams.