| Form of studies |
Master |
| Title of the study programm |
Automation and Computer Engineering |
| Title in original language |
Pārrobežu medicīnisko datu komunikācijas sistēma |
| Title in English |
Cross-border Medical Data Communication System |
| Department |
Viedo datortehnoloģiju institūts |
| Scientific advisor |
Dmitrijs Bļizņuks |
| Reviewer |
Jurijs Čižovs |
| Abstract |
Šis maģistra darbs ir tieši saistīts ar reālu zinātniski medicīnisko projektu. Tās galvenais mērķis ir izstrādāt sistēmu, kas var veikt neironu tīkla modeļa apmācības procesu, izmantojot medicīniskos datus un saglabājot pacientu datu privātumu.
Lai sasniegtu izvirzīto mērķi, darba teorētiskā daļā tiek sastādīts un analizēts privātu datu pārrobežu pārsūtīšanas ierobežojumu saraksts un iespējamo risinājumu saraksts šo ierobežojumu apiešanai, kur katrs no risinājumiem tiek aplūkots no teorētiskā viedokļa. Pamatojoties uz teoriju, starp visiem piedāvātajiem risinājumiem federatīvās mašīnmācīšanas metode tiek izvēlēta kā vēlamais risinājums projektam.
Darba praktiskā daļa sastāv no divām sekcijām. Pirmajā sekcijā tiek izstrādāta sistēma federatīvās mašīnmācīšanās procesa veikšanai. Lielākā daļa no šīs sistēmas īstenošanas jautājumiem tiek izskatīti no teorētiskā skatu punkta. Katram no šiem jautājumiem tiek piedāvāti vairāki risinājuma varianti, kuru plusi un minusi tiek aprakstīti un analizēti. Federatīvās mašīnmācīšanas metodei arī tiek dots novērtējums un tiek noteikti tās priekšrocības un trūkumi. Darba otrajā sekcijā, no teorētiskā viedokļa tiek izskatīta virkne metožu, lai samazinātu tīklā pārsūtamo datu apjomu. To pamata tiek izstrādāti trīs risinājumi piedāvātās sistēmas uzlabošanai.
Darba noslēguma daļā tiek izveidota un aprakstīta vide federatīvās mācīšanās procesa simulācijai un speciāla metodika, kas ir nepieciešama testu veikšanai. Izstrādātais risinājums un tam piedāvātie uzlabojumi tiek pārbaudīti ar dažādu testu palīdzību. Iegūtie rezultāti tiek analizēti un salīdzināti ar mērķi apliecināt metožu darbspēju un noteikt to priekšrocības un trūkumus. |
| Keywords |
FEDERATĪVĀ MAŠĪNMĀCĪŠANĀS, MEDICĪNISKO DATU AIZSARDZĪBA |
| Keywords in English |
FEDERATED MACHINE LEARNING, MEDICAL DATA PROTECTION |
| Language |
lv |
| Year |
2022 |
| Date and time of uploading |
01.06.2022 15:20:36 |
