KVKK Uyumu: Anonimleştirme + Silme Hakkı + Machine Unlearning (SISA + Gradient Ascent)
KVKK Madde 7: 'Silme hakkı'. Vatandaş 'beni datasetten sil' derse: re-train pahalı (milyon dolarlar). **Machine Unlearning** alternatifi: SISA (Sharded, Isolated, Sliced, Aggregated) approach veya gradient ascent yöntemi. KVKK Kurul kararları, uygulamalı örnek (TR-bankacılık vatandaş silme talebi).
Şükrü Yusuf KAYA
30 dakikalık okuma
İleri
1. Machine Unlearning Yöntemleri#
| Method | Cost | Etki |
|---|---|---|
| Full retrain | $$$$ (her vatandaş silme talebinde tam retrain) | Tam |
| SISA (Bourtoule 2021) | $$ | Shard re-train (sadece etkilenen shard) |
| Gradient ascent | $ | Hızlı, ama imperfect |
| Knowledge distillation | $$ | Yeniden train ama küçük dataset |
SISA mantığı: Dataset'i N shard'a böl, her shard ayrı model eğit, inference'te ensemble. Bir kişi sil → sadece o kişinin olduğu shard'ı retrain.
Cookbook'un kuralı: TR production'da KVKK silme hakkı için SISA pre-design yap. Sonradan unlearning impossible.
✅ Teslim
- KVKK Madde 7 oku. 2) SISA paper'ı incele. 3) Sonraki ders: 18.3 — Model Lisans Labirenti.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...
İlgili İçerikler
Part 0 — Engineering Foundations
Fine-Tuning Cookbook'a Hoş Geldin: Sistematik, Stage Taksonomisi ve Reproducibility Kontratı
Öğrenmeye BaşlaPart 0 — Engineering Foundations
Reproducibility Stack: Seeds, cuDNN Flags ve Deterministic CUDA — 'Sende Niye Çalışıyor Bende Çalışmıyor' Sorununu Bitir
Öğrenmeye BaşlaPart 0 — Engineering Foundations