Ferhat Bozkurt

Online Social Networks (OSNs) are incredibly popular, acting as platforms where hundreds of millions of people share vast amounts of valuable data. Gender inference or prediction has been studied many times before due to its importance across various applications and is predominantly approached as a binary classification task. This study addresses gender inference in OSNs from an adversarial perspective, focusing exclusively on the use of usernames and display names. Unlike prior work that relies on extensive profile information or network features, the proposed approach operates under minimal and privacy‐relevant user data. Using data from Turkish Facebook users, two user subsets are extracted and used to construct five large‐scale datasets, each comprising 120K usernames and/or display names. A broad range of learning models, including traditional classifiers, deep learning methods, and transformer‐based architectures, is evaluated alongside multiple embedding techniques such as fastText. Experimental results demonstrate that a modified transformer‐based model, namely, Multi‐Pooling BERT classifier, achieves superior performance, attaining an F 1‐score of 0.952 on a hybrid dataset combining usernames and first names. This result represents a state‐of‐the‐art performance for machine learning–based gender inference of Turkish OSN users using only usernames and display names. To the best of our knowledge, this is the first study devoted to systematically investigating this problem setting, thereby providing both a novel contribution and a highly effective solution.

Large language model (LLM)‐based agents combine reasoning, external knowledge access, tool use and multiagent coordination in emerging clinical decision support systems. This study maps both the knowledge structure of this literature and the expert‐system design choices represented within it. A PRISMA‐2020‐guided search of the Web of Science Core Collection yielded 40 publications from 2024 to 2025. Bibliometric networks were constructed with VOSviewer, while thematic structure was examined comparatively using NMF, LDA and BERTopic and assessed through reconstruction error, perplexity, log‐likelihood and c‐TF‐IDF–based consistency. The resulting evidence map was then interpreted through a five‐axis taxonomy covering agent organization, coordination and reasoning mechanism, knowledge grounding, clinical function and validation maturity. Annual output increased from 10 to 30 publications. Multiagent clinical decision support emerged as the largest thematic unit and was recovered by both NMF and BERTopic, whereas LDA underperformed at this sample size. BERTopic identified a Retrieval‐Augmented Generation (RAG) themed cluster whose specific composition, including semantically related but lexically dissimilar systems such as TimeCAP and the GPT‐4o cognitive framework, was not reproduced by bag‐of‐words methods at any tested . The taxonomy further shows that organizational complexity, grounding and validation maturity are distinct design dimensions: adding agents or debate does not itself provide external grounding or real‐world validation. The study contributes an integrated account of how the field's bibliometric structure, computational themes and expert‐system architectures relate, while identifying traceability, error control, grounding quality and progression beyond benchmark evaluation as priorities for clinically dependable systems.

Arka Plan—Makine öğrenmesi tabanlı ağ saldırısı tespit sistemlerinde yaygın kıyaslama veri kümeleri üzerinde çoğu kez %99’u aşan doğruluk ve F1-skorları raporlanmaktadır. Bu değerler algoritmaları karşılaştırmak için yararlı olsa da her zaman gerçek operasyonel tespit kapasitesini göstermeyebilir. Değerlendirme tasarımı, tekrar eden trafik örüntüleri, sınıf dengesizliği ve veri kümesine özgü artefaktlar özellikle CICIDS2017 gibi veri kümelerinde başarımın olduğundan yüksek görünmesine neden olabilir.Amaç—Bu çalışmanın amacı, açıklanabilir yapay zekâyı yüksek model başarımını meşrulaştıran nihai bir araç olarak değil, raporlanan başarımın kaynağını ve sınırlarını sorgulayan bir teşhis katmanı olarak kullanmaktır. Bu doğrultuda bölme stratejisinin, olası statik port bilgisinin ve açıklama tutarlılığının ağ saldırısı tespit sonuçlarının yorumlanmasını nasıl etkilediği incelenmiştir.Yöntem—Kalite kontrol sonrasında CICIDS2017 MachineLearningCVE dosyalarından 2,519,994 ağ akışı elde edilmiştir; bu akışların %83.1’i normal, %16.9’u saldırıdır. CSV dosyalarında açık zaman damgası bulunmadığından çalışma kesin bir kronolojik değerlendirme iddiası taşımamakta olup bunun yerine satır sırasına dayalı gün-içi ardışık blok protokolünü tabakalı rastgele bölmeye göre daha temkinli bir alternatif olarak kullanmaktadır. Bölme stratejisi ile Destination Port özniteliğinin dahil edilme ve çıkarılma durumu 2×2 faktöriyel tasarım altında karşılaştırılmıştır. Ağaç tabanlı sınıflandırıcılar olarak Rastgele Orman, Ekstra Ağaçlar ve XGBoost değerlendirilmiştir. SHAP ve LIME açıklamaları sıra korelasyonları, Jaccard örtüşmesi, Rank-Biased Overlap, kararlılık ve sadakat analizleriyle incelenmiş olup aynı teşhis çerçevesi UNSW-NB15 üzerinde yeniden sınanmıştır.Bulgular—Rastgele Orman modelinde F1-skoru rastgele bölmede %99.78 iken gün-içi ardışık blok protokolünde %97.49’a düşmüştür. Bu 2.29 puanlık fark kesin bir veri sızıntısı miktarı olarak değil, rastgele bölme kaynaklı ölçülen bir iyimserlik göstergesi olarak yorumlanmıştır. Düşük kat sayısı ve yüksek varyans nedeniyle bu farkın güven aralığı geniştir ve sıfırı içermektedir; bu nedenle etki istatistiksel olarak kanıtlanmış bir nicelik değil, eğilim düzeyinde bir gösterge olarak raporlanmakta olup aynı yön XGBoost’ta da gözlenmiştir (1.07 puan). Destination Port özniteliğinin çıkarılması anlamlı bir performans düşüşü üretmemiştir; bu bulgu diğer trafik özniteliklerinin kullanılabilmesiyle uyumludur, ancak hangi özniteliklerin port bilgisinin yerini aldığını kanıtlamaz. Saldırı türü bazlı analiz ortalama metriklerin sınırlılığını ortaya koymuştur: DDoS ve PortScan sırasıyla %99.52 ve %99.02 F1 değerlerine ulaşırken Bot sınıfı %4.66 F1 ile belirgin biçimde zor kalmıştır. SHAP ve LIME sınırlı uyum göstermiş, Jaccard = 0.20 ve RBO = 0.36 değerleriyle güvenilir ortak bir önem sıralaması üretmemiştir. Alt grup analizleri, açıklama uyumunun örneklem bileşimine göre değişebildiğini de göstermiştir.Sonuç—Bulgular, ağ saldırısı tespitinde yüksek kıyaslama skorlarının bölme tasarımı, saldırı türü davranışı ve açıklama güvenilirliğiyle birlikte yorumlanması gerektiğini göstermektedir. XAI bu bağlamda başarıyı doğrulayan nihai kanıt değil, raporlanan sonuçların sınırlarını, veri kümesine bağımlı yönlerini ve yöntemsel duyarlılığını görünür kılan tamamlayıcı bir teşhis mekanizmasıdır. Gelecek çalışmalarda zaman damgalı trafik kayıtları ve farklı operasyonel veri kümeleri üzerinde doğrulama yapılması önerilmektedir.

Federated learning (FL) enables collaborative model training across decentralized clients while preserving data privacy, yet real-world deployments still face communication bottlenecks, performance degradation under heterogeneous client data, and limited personalization. In this study, we introduce FedMCP++, a modular and communication-efficient personalized FL framework in which every client owns a complete private model—a lightweight convolutional backbone with a private expert head—and collaboration is carried out entirely through knowledge exchange rather than parameter exchange. In each round, clients share only temperature-softened class predictions and class-wise feature prototypes computed on a small public proxy set; the server fuses them into an accuracy-weighted teacher and broadcasts the result, and clients realign their models through knowledge distillation, an instance-level contrastive objective, and prototype alignment. We evaluate FedMCP++, its ablations, and two knowledge-based baselines on six benchmark vision datasets with 10, 20, and 30 clients. The results indicate dataset-dependent trade-offs rather than uniform superiority: collaborative distillation improves average client-level accuracy over independent local training in twelve of eighteen configurations—most clearly under severe per-client data scarcity (e.g., up to +2.7 percentage points on KMNIST and +2.4 on STL-10 with 20–30 clients)—whereas independent training ensembles remain strongest on SVHN and CIFAR-10 at the studied budgets. Because no parameters are transmitted, the per-round uplink payload is a fixed-size 42.6 KB message, 9.9–12.8× smaller than full-model synchronization, and is invariant to model capacity. These properties make FedMCP++ a flexible framework for personalized FL in wireless edge and Internet of Things environments where bandwidth and privacy constraints are paramount.

Meyve ve sebze görüntülerinin analizi endüstriyel tarımda tanımlama ve sınıflandırma süreçlerinde önemli bir rol oynamaktadır. Hızla artan insan nüfusu ve bu doğrultuda yükselen tüketim miktarı analiz ve sınıflandırma işlemlerini otomatikleştirmeyi mecbur kılmaktadır. Geleneksel olarak uzmanlar tarafından yapılan görsel inceleme ve yorumlama yöntemleriyle gerçekleştirilen bu analiz süreci zaman alıcı ve öznel olabilir. Ancak son yıllarda derin öğrenme tekniklerinin gelişimi meyve ve sebze görüntülerinin otomatik analizinde büyük bir potansiyel sunmaktadır. Bu çalışmada klasik makine öğrenimi ve derin öğrenme modellerinin hurma meyvesinin türlerine ayrılması için nasıl kullanılabileceği incelenmektedir. Lojistik Regresyon, GaussianNB, KNN, SVM ve Random Forest gibi yaygın olarak kullanılan makine öğrenimi modelleri ile Evrişimli Sinir Ağları (ESA) temeline dayanan CNN, RNN ve ANN gibi derin öğrenme modelleri kullanılarak, hurma meyvesine ait görüntü tabanlı olmayıp morfolojik özelliklerden oluşan sayısal bir veri seti üzerinde eğitimler ve testler yapılmıştır. Ayrıca deneysel bir çalışma gerçekleştirilerek bu farklı makine öğrenimi ve derin öğrenme modellerinin performansı karşılaştırılmıştır. Yapılan testlere göre en yüksek %92.44 doğruluk oranı RNN modeli ile elde edilmiştir. Sonuç olarak makine öğrenimi ve derin öğrenme tabanlı modellerin meyve görüntülerinin analizi alanında önemli bir potansiyele sahip olduğu görülmektedir. Bu teknikler sınıflandırma aşamasında yüksek doğruluk ile süreçlere hız kazandırarak endüstriyel tarımın gelişimine katkı sağlayabilir.