<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=173258"><dc:title>Federativno strojno učenje na medicinskih podatkih</dc:title><dc:creator>Horvat,	Marko	(Avtor)
	</dc:creator><dc:creator>Kukar,	Matjaž	(Mentor)
	</dc:creator><dc:subject>federativno učenje</dc:subject><dc:subject>strojno učenje</dc:subject><dc:subject>medicina</dc:subject><dc:description>Federativno učenje (FL) omogoča sodelovalno učenje modelov brez centralizacije
podatkov, kar je posebej relevantno v okoljih z občutljivimi podatki,
kot je zdravstvo. V diplomski nalogi primerjamo učinkovitost centraliziranega
učenja in FL na več medicinskih podatkovnih množicah ter sistematično
preučimo vpliv izbire federativne strategije in porazdelitve podatkov. Poleg
tega ocenimo dodano vrednost FL s primerjavo rezultatov modelov, ki so
učeni zgolj na lokalnih podatkih posameznih odjemalcev, s tistimi, ki sodelujejo
v FL. Primerjavo izvedemo na linearnih modelih, nevronskih mrežah in
XGBoostu. Evalvacija vključuje klasifikacijske in regresijske naloge z ustreznimi
merami uspešnosti. Rezultati kažejo, da lahko FL ob ustrezni konfiguraciji
doseže primerljivo zmogljivost kot centralizirano učenje, hkrati pa
preseže modele, učene le na lokalnih podatkih odjemalcev, kar potrjuje, da
je FL praktična alternativa v scenarijih, kjer deljenje surovih podatkov ni
izvedljivo, posebej v medicinskem kontekstu.</dc:description><dc:date>2025</dc:date><dc:date>2025-09-15 10:55:00</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>173258</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>