20.500.12556/RUL-173258 Federativno strojno učenje na medicinskih podatkih Federated machine learning on medical data 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. Federated learning (FL) enables collaborative model training without centralizing data, which is particularly relevant in environments with sensitive data, such as healthcare. In the thesis, we compare the performance of centralized learning and FL on several medical datasets and systematically examine the impact of the choice of federated strategy and data distribution. In addition, we evaluate the added value of FL by comparing the results of models trained solely on local data from individual clients with those participating in FL. The comparison is conducted on linear models, neural networks, and XGBoost. The evaluation includes classification and regression tasks with appropriate performance measures. The results show that, with proper configuration, FL can achieve performance comparable to centralized learning while also outperforming models trained only on clients’ local data, confirming that FL is a practical alternative in scenarios where sharing raw data is not feasible, particularly in the medical context. federativno učenje strojno učenje medicina federated learning machine learning medicine true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2025-09-15 10:55:00 2025-09-15 10:55:03 2025-11-07 03:49:53 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38060 250507779 Horvat_Marko_-_Federativno_strojno_ucenje_na_medicinskih_podatkih.pdf Horvat_Marko_-_Federativno_strojno_ucenje_na_medicinskih_podatkih.pdf 1 519089CBC2BA677283623E4942C89FC3 66f2d143480e5ee734b7099d6cf33d169429d1d92600ac5a6a6bd0f3b13a0171 7ffa39bb-9211-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=217470 Fakulteta za računalništvo in informatiko 0 0 0