Tez No	İndirme	Tez Künye	Durumu
365559		Privacy-preserving geostatistics / Gizliliği koruyarak jeoistatistik Yazar:BÜLENT TUĞRUL Danışman: DOÇ. DR. HÜSEYİN POLAT Yer Bilgisi: Anadolu Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2014 120 s.
Jeoistatistik uzaysal veri ile ilgilenir ve konum ve ölçüm verileri arasındaki ilişkiyi ortaya çıkarmaya çalışır. Jeoistatistikte kullanılan enterpolasyon yöntemleri yakın nesnelerin uzak nesnelere göre daha çok birbirine benzediği prensibine dayanır. Mesafeyle ters ağırlıklandırma ve kriging jeoistatistikte en iyi bilinen ve uygulanan yöntemlerdir. Gizlilik endişelerinden dolayı bu işlemleri gizliliği ifşa etmeden gerçekleştirmek önemlidir. Ayrıca bu yöntemlerin doğruluğu ölçüm noktalarının toplam sayısına bağlıdır. Eğer ekonomik veya gizlilik nedenleriyle yetersiz ölçüm noktası var ise bu yöntemlerle üretilen tahminlerin doğruluğu inandırıcı olmayabilir. Bazı durumlarda kurumlar aynı veya komşu bölge için ölçümler elde edebilirler. Daha doğru modeller oluşturmak için işbirliği yapmak isteyebilirler. Ama gizli verilerini paylaşmak istemezler. Bu tezde merkezi sunucu tabanlı şemayı da içeren farklı veri paylaştırma şemaları için gizliliği koruyan mesafeyle ters ağırlıklandırma veya kriging çözümleri önerilmiştir. Çözüm önerileri gizlilik, performans ve doğruluk açısından analiz edilmiştir. Bu amaçla gerçek veri setleri kullanılarak değişik deneyler yapılmıştır. Deneysel sonuçlar önerilen yöntemlerin gizliliği koruyarak doğru öneriler ürettiklerini göstermiştir.
Geo-statistics deals with spatial data and tries to find out relationship between locations and measured data. Methods used in geo-statistics interpolations rely on the principle that things are closer to each other more alike than the things are farther apart. Inverse distance weighting and kriging are most well-known and applied methods in geo-statistics. It is important to perform such methods without violating data confidentiality due to privacy reasons. Also, their accuracy depends on the total number of sample points. If there are insufficient sample points due to financial or privacy reasons, accuracy of the predictions produced by these methods may become unconvincing. There are cases in which institutions obtain measurements for the same or neighbor region. To create more accurate models, they may want to collaborate. However, they do not want to share their private data. In this thesis, privacy-preserving methods are proposed to provide inverse distance weighting- or kriging-based predictions for different data partitioning schemas including central server-based case. The proposed solutions are analyzed with respect to privacy, performance, and accuracy. Different sets of experiments are conducted using real data sets to analyze the proposed methods. Empirical outcomes show that the methods are able to provide accurate predictions while preserving privacy.