Finans alanında veri mahremiyeti yöntemleri: Federe öğrenme ve sentetik veri üretimi

Abstract

Bu tez, finans alanındaki veri kümelerinin kişisel ve hassas veri içermesi sebebiyle oluşan veri mahremiyeti problemi için kullanılabilen sentetik veri üretimi ve federe öğrenme yöntemlerinin sınıflandırma performansı ve uygulanabilirliğini karşılaştırmalı olarak incelemektedir. Çalışma kapsamında, kredi kartı temerrüt tahmini gibi finansal sınıflandırma problemlerinde kullanılan bir veri kümesi üzerinde federe öğrenme ve sentetik veri üretimi yöntemleri kullanılarak eğitilen modeller gerçek veriyle eğitilen merkezi veya lokal modellere karşılaştırılmıştır. Ayrıca performans kaybı olmadığı gösterildikten sonra sınıf dengesizliği probleminde sentetik veri ve federe öğrenmenin etkisi gösterilmiştir. Çizge tabanlı modellerin uygulanabilirliğini değerlendirmek amacıyla tablo halindeki veri, çizge yapısına dönüştürülmüş ve topolojik özelliklerin model başarısına katkısı analiz edilmiştir. Bu çalışmanın sonuçları veri paylaşımının mümkün olmadığı durumlarda da performans kaybı yaşamadan model eğitilebileceğini ve aynı zamanda bu yöntemlerin sınıf dengesizliği problemine de bir çözüm olabileceği göstermiştir. Çizge tabanlı modeller ile sınıflandırma performansı önemli ölçüde arttırılırken topolojik özniteliklerle de bir miktar artış sağlanmıştır. Bu tez, finansal veri gizliliğini koruma ile yüksek model performansı arasındaki dengeyi sağlamak için sentetik veri üretimi ve federe öğrenmenin birlikte veya ayrı ayrı nasıl kullanılabileceğine dair önemli çıkarımlar sunmakta; gerçek dünya uygulamaları ve regülasyonlarla uyumlu çözüm yolları önermektedir.