Yhdistetty oppiminen ja sen käyttö neurotieteissä

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-09-06

Department

Major/Subject

Tietotekniikka

Mcode

SCI3027

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

fi

Pages

30

Series

Abstract

Tässä opinnäytetyössä tutkitaan yhdistettyä oppimista (engl. Federated Learning, FL) ja sen soveltamista neurotieteissä. Yhdistetty oppiminen on edistyksellinen hajautettu koneoppimisperusteinen viitekehys, jonka avulla voidaan kouluttaa yhteistä mallia hajautetuissa ympäristöissä ilman, että raakadataa tarvitsee siirtää, mikä on erityisen tärkeää potilastietojen yksityisyyden suojaamiseksi neurotieteiden ja muiden terveydenhuollon alojen kaltaisilla aloilla. Työssä käsitellään yhdistetyn oppimisen perusteita, kuten menetelmiä ja algoritmeja, sekä sen sovelluksia neurotieteissä, erityisesti aivokuvantamisessa ja aivoiän ennustamisessa. Tutkimuksessa esitetään, kuinka yhdistetty oppiminen voi parantaa neurotieteellisten mallien tarkkuutta ja toistettavuutta, mutta myös sen kohtaamat haasteet, kuten datan heterogeenisyys ja tietoturvariskit, tuodaan esiin. Lopuksi tarkastellaan yhdistetyn oppimisen tulevaisuuden näkymiä ja sen mahdollisuuksia edistää neurotieteellistä tutkimusta ja kliinisiä sovelluksia.

This thesis examines the concept of federated learning (FL) and its use in the field of neuroscience. Federated learning is a distributed machine learning approach that allows for the development of a shared model across different environments without the need to transfer raw data, which is crucial for maintaining patient privacy in areas like neuroscience. The research covers the fundamental aspects of federated learning, such as the methodologies and algorithms involved, and investigates its applications in neuroscience, particularly in brain imaging and predicting brain age. The findings highlight how federated learning can enhance the accuracy and reliability of models used in neuroscience, while also acknowledging challenges such as data variability and security concerns. The thesis concludes with a discussion on the future directions of federated learning and its potential to contribute significantly to advancements in neuroscientific research and clinical practices.

Description

Supervisor

Savioja, Lauri

Thesis advisor

Renvall, Hanna

Keywords

yhdistetty oppiminen, neurotieteellinen tutkimus, tekoäly, aivokuvantaminen

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202412177830

Collections

[kand] Perustieteiden korkeakoulu / SCI