Search Results

Now showing 1 - 3 of 3

Knowledge hiding on graph data
(01. Izmir Institute of Technology, 2024) Tekin, Leyla; Bostanoğlu, Belgin Ergenç
Çizgelerde anlamlı alt yapılar olan alt çizgeler ve topluluklar, ağ yapılarının daha derinlemesine anlaşılması için önemli bilgiler sağlar. Ancak çizge analiz araçları daha gelişmiş hale geldikçe, bu durum, çizge verilerinden gereğinden fazla bilgi çıkarılması riski gibi yeni bir zorluğu da beraberinde getirir. Böylelikle, bilgi gizleme tekniklerinin araştırılmasına yol açmıştır. Bu tez kapsamında, çizge verilerinin mahremiyetini koruyan teknikler olarak alt çizge gizleme ve topluluk gizleme incelenmektedir. Alt çizge gizleme, işlemsel çizge veritabanındaki hassas alt çizgeleri tanımlamayı ve verilerin yayınlanmasından sonra onların ifşa edilmesini önlemek için veritabanını dönüştürmeyi içerirken, orijinal verileri mümkün olduğunca korur. Topluluk gizleme ise çizgeyi stratejik olarak değiştirerek toplulukların gizlenmesini veya karartılmasını içerir. Kullanıcıların topluluk üyeliği gibi hassas bilgilerinin gizliliğini koruyan topluluk gizlemeye yönelik çalışmalarla birlikte, gizlemeye etkili bir şekilde karşı koyabilecek dayanıklı topluluk tespit algoritmalarına olan ihtiyaç daha da belirgin hale gelir. Bu tezde öncelikle alt çizge gizleme teknikleri incelenmiş ve çeşitli kenar silme tabanlı algoritmalar önerilmiştir. Daha sonra, topluluk gizleme teknikleri araştırılmış ve tekniklerin üç ölçekte kapsamlı bir şekilde ele alınması için bir araştırma yapılmıştır. Ayrıca, klikler kullanılarak küresel topluluk gizleme için bir algoritma önerilmiştir.
Density Grid Based Stream Clustering Algorithm
(Izmir Institute of Technology, 2019) Ahmed, Rowanda Daoud; Ayav, Tolga; Ayav, Tolga; Dalkılıç, Gökhan
Recently as applications produce overwhelming data streams, the need for strategies to analyze and cluster streaming data becomes an urgent and a crucial research area for knowledge discovery. The main objective and the key aim of data stream clustering is to gain insights into incoming data. Recognizing all probable patterns in this boundless data which arrives at varying speeds and structure and evolves over time, is very important in this analysis process. The existing data stream clustering strategies so far, all suffer from different limitations, like the inability to find the arbitrary shaped clusters and handling outliers in addition to requiring some parameter information for data processing. For fast, accurate, efficient and effective handling for all these challenges, we proposed DGStream, a new online-offline grid and density-based stream clustering algorithm. We conducted many experiments and evaluated the performance of DGStream over different simulated databases and for different parameter settings where a wide variety of concept drifts, novelty, evolving data, number and size of clusters and outlier detection are considered. Our algorithm is suitable for applications where the interest lies in the most recent information like stock market, or if the analysis of existing information is required as well as cases where both the old and the recent information are all equally important. The experiments, over the synthetic and real datasets, show that our proposed algorithm outperforms the other algorithms in efficiency.
Computational Establishment of Microrna Metabolic Networks
(Izmir Institute of Technology, 2017) Saçar Demirci, Müşerref Duygu; Allmer, Jens
MicroRNAs (miRNAs) are single-stranded, small, non-coding RNAs, that control gene expression at the post transcriptional level through various mechanisms such as translational inhibition, degradation and destabilisation of their target mRNAs. Despite the fact that thousands of miRNAs have been reported in various species, most still remain unknown. Due to this, the identification of new miRNAs is an essential process for analysing miRNA mediated post transcriptional regulation mechanisms. Moreover, many biological approaches suffer from limitations in their capacity to reveal rare miRNAs, and are further restricted to the state of the organism under examination. Such limitations have resulted in the construction of sophisticated computational tools for identification of possible miRNAs in silico. However, these programs suffer from low sensitivity and/or accuracy and as a result they do not provide enough confidence for validating all their predictions experimentally. In this study, the aim is overcoming these challenges by creating a new and adaptable machine learning based method to predict potential miRNAs in any given sequence. The efficiency of proposed method is shown by comparison with available tools on various data sets. By using this approach, miRNAs from the genomes of various organisms like human (Homo sapiens), fly (Drosophila melanogaster) and tomato (Solanum lycopersicum) are identified. Moreover, networks between the possible miRNAs of virus and human genes as well as the communications among nuclear and organelle genomes of Solanum lycopersicum through miRNAs are investigated.

Phd Degree / Doktora

Browse

Filters

Settings

Sort By

Results per page

Search Results