Morphological and structural complexity analysis of low-resource English-Turkish language pair using neural machine translation models

Acı, Mehmet | Vuran Sarı, Nisa | Acı, Çiğdem

Neural machine translation (NMT) has achieved remarkable success in high-resource language pairs; however, its effectiveness for morphologically rich and low-resource languages like Turkish remains underexplored. As a highly agglutinative and morphologically complex language with limited high-quality parallel data, Turkish serves as a representative case for evaluating NMT systems on low-resource and linguistically challenging settings. Its structural divergence from English makes it a critical testbed for assessing tokenization strategies, attention mechanisms, and model generalizability in neural translation. This study investigates the comparative performance of two prominent NMT paradigms—the Transformer architecture, and recurrent-based sequence-to-sequence (Seq2Seq) models with attention for both English-to-Turkish and Turkish-to-English translation. The models are evaluated under various configurations, including different tokenization strategies (Byte Pair Encoding (BPE) vs. Word Tokenization), attention mechanisms (Bahdanau and an exploratory hybrid mechanism combining Bahdanau and Scaled Dot-Product attention), and architectural depths (layer count and attention head number). Extensive experiments using automatic metrics such as BiLingual Evaluation Understudy (BLEU), M...

Comparative Analysis of Deep Learning, Transfer Learning and Hybrid Models for Phising Detection

Vuran Sarı, Nisa | Acı, Mehmet | Sayar, Elif

2025-12-22

Windows Malware Detection via Enhanced Graph Representations with Node2Vec and Graph Attention Network

Nisa Vuran Sarı | Mehmet Acı | Çiğdem İnan Acı

As malware has become increasingly complex, advanced techniques have emerged to improve traditional detection systems. The increasing complexity of malware poses significant challenges in cybersecurity due to the inability of existing methods to understand detailed and contextual relationships in modern software behavior. Therefore, developing innovative detection frameworks that can effectively analyze and interpret these complex patterns has become critical. This work presents a novel framework integrating API call sequences and DLL information into a unified, graph-based representation to analyze malware behavior comprehensively. The proposed model generates initial embeddings using Node2Vec, which uses a random walk approach to understand structural relationships between nodes. Graph Attention Network (GAT) then enhances these initial embeddings, which utilizes attention mechanisms to incorporate contextual dependencies and enhance semantic representations. Finally, the enhanced embeddings are classified using Convolutional Neural Network (CNN) and Gated Recurrent Units (GRU)s, a custom hybrid CNN-GRU-3 deep learning-based model capable of effectively modeling sequential patterns. The dual role of GAT as a classifier and feature extractor is also analyzed to evaluate its impa...

A hybrid CNN-GRU model with XAI-Driven interpretability using LIME and SHAP for static analysis in malware detection

Sarı, Nisa Vuran | Acı, Mehmet

The increasing sophistication of evolving malware types and attack techniques has rendered traditional antivirus solutions inadequate, particularly in mitigating zero-day threats. To address this challenge, Machine Learning (ML) and Deep Learning (DL)-based approaches have been developed, demonstrating significant efficacy and high accuracy in malware classification. However, the black box nature of these models raises significant concerns in terms of transparency and interpretability. This study presents a comprehensive evaluation of Ensemble Learning and Deep Learning methods for static analysis-based malware classification, which allows joint analysis of Application Programming Interface (API) calls and Dynamic Link Library (DLL) data. In the study, a specially designed Convolutional Neural Network (CNN)-Gated Recurrent Units (GRU)-3 model is trained using a tailored dataset consisting of malicious and secure software. In order to better understand the model’s performance, feature importance analysis was performed using SHapley additive exPlanations (SHAP) and Local Interpretable Model-agnostic Explanations (LIME) Explainable Artificial Intelligence (XAI) techniques and the reliability of model decisions was increased. The proposed model was compared with DL models such as CNN...

Derin Öğrenme ile Akıllı Sağlık Sistemleri Klinik Destek, Görüntüleme ve Tahmin Modelleri

Vuran Sarı, Nisa | Mutlu Korucu, Gizen

Yapay zekâ teknolojilerinin sağlık alanındaki yükselişi, özellikle Yapay Sinir Ağları (YSA) gibi derin öğrenme temelli yaklaşımlar sayesinde büyük ivme kazanarak günümüzde sağlık bilişiminin ve klinik karar destek sistemlerinin vazgeçilmez birer parçası olma yolunda emin adımlarla ilerlemektedir. Bu kitap bölümünde, YSA’ların sağlık hizmetlerindeki dönüştürücü rolü Klinik Destek ve İlaç Geliştirme, Görüntü İşleme, Yoğun Bakım ve Kardiyak Tahmin, Beyin Tümörü ve Sinir Cerrahisi, Kas-İskelet ve Spinal Sistem ve Epilepsi ve Nöbet Tahmini olmak üzere altı farklı kategoride ele alınmış olup, son beş yılda yayımlanmış öncü bilimsel makaleler ışığında incelenmiştir. İncelenen çalışmalar, epileptik nöbetlerin EEG sinyalleri üzerinden öngörülmesi, yoğun bakım hastalarının hayatta kalma olasılıklarının tahmini, kas-iskelet ve omurilik yaralanmalarının prognozu gibi farklı klinik senaryolarda YSA'nın nasıl uygulandığını ortaya koymaktadır. Özellikle konvolüsyon sinir ağı (Convolutional Neural Network, CNN), Tekrarlayan Sinir Ağı (Recurrent Neural Network, RNN), Çekişmeli Üretici Ağ (Generative Adversarial Network, GAN) ve Transformer tabanlı hibrit modeller gibi gelişmiş mimarilerin kullanıldığı örneklerde, YSA’ların geleneksel istatistiksel yöntemleri çoğu durumda gerid...

Performance Comparison of Machine Learning and Deep Learning Algorithms in Malware Classification

Vuran Sarı, Nisa | Santur, Umut Fikri | Acı, Mehmet

2025-12-22

Eğitim Alanında Yapay Sinir Ağları Kullanılan Çalışmalar

Mutlu Korucu, Gizen | Vuran Sarı, Nisa

Son yıllarda yapay zekâ ve büyük veri analitiği, eğitim alanında köklü bir dönüşüme öncülük etmektedir. Bu kitap bölümü, son beş yılda yapay sinir ağları (Artificial Neural Network, ANN) tabanlı modellerin eğitimdeki uygulamalarını inceleyerek bu alandaki güncel eğilimleri ve metodolojileri sistematik bir çerçevede sunmayı amaçlamaktadır. Çalışma, literatürü dört ana tematik başlık altında kategorize etmektedir: akademik performans tahmini, kişiselleştirilmiş eğitim, içerik üretimi ve soru çözümü ile eğitim sistemlerinin geliştirilmesi ve değerlendirilmesi. Ayrıca, Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP), Konvolüsyonel Sinir Ağları (Convolutional Neural Network, CNN), Uzun-Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Transformatör gibi temel derin öğrenme modellerinin çalışma prensipleri açıklanmıştır. İncelenen çalışmalar, ANN tabanlı modellerin, öğrenci başarısızlık riskini erken belirlemede, bireysel öğrenme yolları ve duygusal durumlara göre uyarlanmış içerik önermede, otomatik olarak soru ve ders materyali üretmede ve kurumsal düzeyde eğitim kalitesini değerlendirmede geleneksel yöntemlere kıyasla üstün bir performans sergilediğini göstermektedir. Özellikle MLP, LSTM ve CNN gibi modellerin, erken müdahale sistemlerinden takım tabanlı performans takibine...

Sağlık Görüntülerinin Sınıflandırılmasında Derin Nöral Bulanık Ağının Performansı

Vuran, Nisa | Acı, Mehmet | Korucu, Gizen Mutlu | Acı, Çiğdem

Çevrimiçi Aktif Öğrenme ile Geliştirilen Bulanık Sinirsel Sınıflandırıcı Analizi

Vuran, Nisa | Acı, Mehmet | Korucu, Gizen Mutlu | Acı, Çiğdem

Image Generation Performance Analysis: A Comparative Study of GAN Models on MNIST Dataset

Vuran, Nisa | Elevi, Abdullah | Acı, Mehmet

2024-12-26

Static Analysis of Malware Detection Using Machine Learning Algorithms

Vuran, Nisa | Acı, Mehmet

2024-12-26

Detection of Malware by Static Analysis Using Machine Learning Methods

Vuran, Nisa | Acı, Mehmet

The increase in cyber-attacks has also started to threaten the use of internet and information technologies. This situation emphasizes the importance of detecting malicious software that is responsible for cyber-attacks. Nowadays, there are studies on the development of machine learning methods for malicious software detection. Malicious software detectors are the primary tools in defense against malicious software. The quality of such a detector is determined by the techniques it uses. Malware analysis methods such as machine learning, deep learning, and static and dynamic analysis are among these techniques. This study presents malware analysis and classification techniques. For malware detection, well-known algorithms for machine learning including such K-Nearest Neighbors, Naive Bayes, Decision Trees, and Random Forest were used. The research shows that the use of Random Forest classification technique produces the best accuracy with 97.75% classification, while Naive Bayes produces the lowest accuracy of 53%.

Bulanık Kümeleme ve Destek Vektörleri ile Sinir Ağı Güçlendirme Uygulamaları

Vuran, Nisa | Acı, Mehmet | Korucu, Gizen Mutlu | Acı, Çiğdem

Bu çalışmada, sinir ağlarının kullanımında Regülerize Edilmiş Bulanık Kümeleme Sinir Ağı’nın (RFCNN) gürültülü ve uyumsuz veriler karşısında dayanıklılığının arttırılması amaçlanmıştır. Geleneksel sinir ağları, gürültülü verilerle çalışırken performans düşüşleri yaşamaktadır. Bu sorunu ele almak için, destek vektör tabanlı (Support Vector, SV) tabanlı Hiyerarşik Bulanık C-Ortalamalar (Hierarchical Fuzzy C-Means, HFCM) ve Bulanık C-Ortalamalar (Fuzzy C-Me-ans, FCM) kümeleme tekniklerini L2-norm düzenleme ile birleştirerek daha da-yanıklı bir model geliştirilmesi hedeflenmiştir. Çalışmada, SV tabanlı kümeleme tekniklerinin aykırı değerlerin etkilerini azaltarak modelin performansını iyileştiği gösterilmiştir. L2-norm düzenlemesi, modelin aşırı uyumunu önlemek ve varyans-önyargı dengesini sağlamak için kullanılmıştır. RFCNN modelinin performansı, Wine ve Breast Cancer Wisconsin veri kümeleri üzerinde Destek Vektör Regresyonu (Support Vector Regression, SVR), Rastgele Orman (Random Forest, RF), Lineer Regresyon (Linear Regres-sion, LR) ve Karar Ağaçları (Decision Tree, DT) gibi diğer yöntemlerle karşılaştırılmıştır. Elde edilen sonuçlara göre, RFCNN modelinin gürültülü veri kümelerinde daha dayanıklı olduğunu ve geniş bir veri yelpazesinde etkili bir şekilde kullanılabileceği gösteri...