1. Detection of malicious software using large language modelsMartina Tivadar, 2025, magistrsko delo Opis: This thesis examines the success rate of large language models (LLM) in detecting macOS malware through Endpoint Security logs. A literature review and 144 experiments with three ChatGPT variants and six prompt types evaluated accuracy, precision, recall, specificity, and F1-score. Results show that prompt wording is crucial: zero-shot and chain-of-thought prompts performed best, while conservative prompts minimized false positives but missed threats. GPT-4o and o1 outperformed o4-mini but showed similar results. Findings suggest LLMs can support, but not replace, traditional detection, with prompt design proving as important as model choice.
Ključne besede: malware, large language models, detection
Objavljeno v DKUM: 03.11.2025; Ogledov: 0; Prenosov: 6
 Celotno besedilo (29,72 MB) |
2. Automated speech analysis in depressive disorder: enhancing diagnosis and monitoringAljaž Neuberg, 2025, magistrsko delo Opis: This paper investigates the automatic recognition of depression by integrating acoustic, linguistic and emotional features extracted from clinical interviews in the DAIC-WOZ dataset. A total of six classical machine learning classifiers such as Decision Tree, Random Forest, SVM, Gradient Boosting, AdaBoost and XGBoost were systematically evaluated under different class balancing methods (such as SMOTE, SMOTETomek and Random Undersampling) and feature selection strategies. The best model, a decision tree classifier with SMOTE-based balancing and a feature selection technique, achieved a weighted F1 score and accuracy of 0.78 with only eight selected features. These features included all three modalities, demonstrating the
added benefit of a multimodal approach. The results suggest that even relatively simple models, when supported by careful preprocessing and dimensionality reduction, can provide accurate and interpretable predictions. This work emphasizes the importance of feature engineering and balancing techniques in clinical machine learning tasks and lays the foundation for future research on scalable and explainable depression detection systems.
Ključne besede: Depression, Classification, Machine Learning, Data Balancing, Feature Selection
Objavljeno v DKUM: 03.11.2025; Ogledov: 0; Prenosov: 2
Celotno besedilo (4,28 MB) |
3. Influences on and prevention of self-harm behavior among the most at-risk adolescents : study protocol for the SH-MARA prospective longitudinal cohort studyLana Sernec Podnar, Petra Tomažič, Anja Tomašević Kramer, Barbara Plemeniti Tololeski, Gorjan Tasevski, Žiga Rosenstein, Simona Klemenčič, Tadej Battelino, Blaž Vrhovšek, Tadej Lahovnik, Jernej Kovač, Carla Sharp, Barbara Jenko Bizjan, Sašo Karakatič, Maja Drobnič Radobuljac, 2025, izvirni znanstveni članek Opis: Background Both suicidal and non-suicidal self-injuring behaviors (NSSI) are common during adolescence In Slovenia, adolescent suicide rates are high, making suicide the leading cause of death in the year 2022 in this age group. These behaviors are influenced by a complex interplay of environmental, psychological, and genetic factors. Previous research has identified risk and protective factors mainly for suicidal behavior in adults, a notable gap in understanding these factors in adolescents remains, especially for NSSI. Notably there is an important lack of effective clinical tools or psychometric assessment methods to reliably assess the risk for either suicidal or NSSI behaviors in acutely hospitalized adolescents. Methods and analysis The proposed study uses a mixed-method observational design consisting of a prospective longitudinal cohort component involving adolescents hospitalized for high risk of DSH, and a cross-sectional comparison with a control group of healthy adolescents recruited from primary care settings. It is aimed at identifying genetic, psychosocial, and clinical factors associated with suicidal behaviors and NSSI in adolescents. The study group is recruited from adolescents aged 12–19, admitted to the Intensive Child and Adolescent Psychiatry Unit in Ljubljana due to severe self-harm risk. Exclusion criteria include involuntary treatment, acute psychotic disorders, intellectual disability, severe physical or central nervous system illnesses and acute intoxication. The control group comprises adolescents of comparable age, recruited through regular scheduled health check-ups in Slovenia. Exclusion criteria include suicidality, severe mental disorder, a history of self-harm behavior in a first-degree relative, intellectual disability, severe physical or central nervous system illnesses and acute intoxication. Enrollment runs from February 1, 2023, to December 31, 2025. Participation is voluntary, requiring parental or guardian consent for those 14 or younger
Ključne besede: adolescents, deliberate self-harm, non-suicidal self-injury, suicidal behavior, intensive psychiatry, personality disorder, traumatic experience, genetics, epigenetics
Objavljeno v DKUM: 17.10.2025; Ogledov: 0; Prenosov: 2
Celotno besedilo (1,10 MB) |
4. |
5. Impact of developer queries on the effectiveness of conversational large language models in programmingViktor Taneski, Sašo Karakatič, Patrik Rek, Gregor Jošt, 2025, izvirni znanstveni članek Opis: This study investigates the effects of LLM-based coding assistance on web application development by students using a frontend framework. Rather than comparing different models, it focuses on how students interact with LLM tools to isolate the impact of query type on coding success. To this end, participants were instructed to rely exclusively on LLMs for writing code, based on a given set of specifications, and their queries were categorized into seven types: Error Fixing (EF), Feature Implementation (FI), Code Optimization (CO), Code Understanding (CU), Best Practices (BP), Documentation (DOC), and Concept Clarification (CC). The results reveal that students who queried LLMs for error fixing (EF) were statistically more likely to have runnable code, regardless of prior knowledge. Additionally, students seeking code understanding (CU) and error fixing performed better, even when normalizing for previous coding ability. These findings suggest that the nature of the queries made to LLMs influences the success of programming tasks and provides insights into how AI tools can assist learning in software development.
Ključne besede: large language models, LLMs, prompt engineering, query type analysis, AI-assisted programming, educational software development
Objavljeno v DKUM: 23.06.2025; Ogledov: 0; Prenosov: 9
Celotno besedilo (994,41 KB)
Gradivo ima več datotek! Več... |
6. Fostering fairness in image classification through awareness of sensitive dataIvona Colakovic, Sašo Karakatič, 2025, izvirni znanstveni članek Opis: Machine learning (ML) has demonstrated remarkable ability to uncover hidden patterns in data. However, the presence of biases and discrimination originating from the data itself and, consequently, emerging in the ML outcomes, remains a pressing concern. With the exponential growth of unstructured data, such as images, fairness has become increasingly critical, as neural network (NN) models may inadvertently learn and perpetuate societal and historical biases. To address this challenge, we propose a fairness-aware loss function that iteratively prioritizes the worst-performing sensitive group during NN training. This approach aims to balance treatment quality across sensitive groups, achieving fairer image classification outcomes while incurring only a slight compromise in overall performance. Our method, evaluated on the FairFace dataset, demonstrates significant improvements in fairness metrics while maintaining comparable overall quality. These trade-offs highlight that the minor decrease in overall quality is justified by the improvement in fairness of the models.
Ključne besede: fairness, search-basimage classification, machine learning, supervised learnign, neural networks
Objavljeno v DKUM: 23.04.2025; Ogledov: 0; Prenosov: 6
Celotno besedilo (2,01 MB) |
7. Gradnja uravnoteženih evolucijskih klasifikacijskih dreves : magistrsko deloTadej Lahovnik, 2024, magistrsko delo Opis: Uspešnost odločitvenih dreves temelji na predpostavki, da učni podatki za vsak razred vključujejo enako količino informacij. Pri nesorazmerni porazdelitvi razredov so klasifikatorji pristransko usmerjeni k večinskim razredom. Zaradi majhnega števila vzorcev manjšinskih razredov klasifikatorji niso zmožni ustreznega usvajanja znanja, kar vodi do slabšega posploševanja in prekomernega prileganja. V okviru zaključnega dela smo razvili več algoritmov za gradnjo uravnoteženih evolucijskih dreves, ki se osredotočajo na reševanje izzivov, povezanih z nesorazmerno porazdelitvijo razredov. Rezultati eksperimenta kažejo, da uravnoteženost evolucijskih dreves ne prispeva k izboljšanju klasifikacije v primerjavi s tradicionalnimi metodami.
Ključne besede: evolucijski algoritem, odločitvena drevesa, klasifikacija, neuravnoteženi podatki
Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 85
Celotno besedilo (2,85 MB) |
8. Pozivni injekcijski napadi na velike jezikovne modele : magistrsko deloMatic Bobnar, 2025, magistrsko delo Opis: V magistrskem delu raziskujemo vlogo velikih jezikovnih modelov v vzponu generativne umetne inteligence. Predstavimo osnovne koncepte, kot so transformerji, žetoni in vektorske reprezentacije, ter opisujemo ključne prednosti, slabosti in izzive z generativnimi modeli. Posebno pozornost namenjamo izzivom varnosti, kot so pozivni injekcijski napadi. Podrobno analiziramo delovanje teh napadov, njihove vrste in predstavimo možne pristope za obrambo pred njimi. V okviru eksperimenta prikazujemo izdelavo spletne ankete, ki implementira različne jezikovne modele. S pomočjo pridobljenih podatkov iz ankete nato analiziramo občutljivost posameznih modelov na različne intenzitete injekcijskih napadov ter preučujemo njihove vplive na uporabniške dimenzije, kot so uporabnost, točnost, razumljivost in relevantnost. Na koncu ugotavljamo, kateri modeli se najbolje odzivajo na napade in predstavljajo najvarnejšo uporabo.
Ključne besede: Generativna umetna inteligenca, Generativni modeli, Veliki jezikovni modeli, Pozivni injekcijski napadi, Inženering pozivov
Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 54
Celotno besedilo (2,82 MB) |
9. |
10. Metoda kontekstno odvisne vektorske predstavitve sprememb programske kode za klasifikacijo vrste aktivnosti vzdrževanja : doktorska disertacijaTjaša Heričko, 2024, doktorska disertacija Opis: V doktorski disertaciji obravnavamo raziskovalni problem avtomatizacije prepoznavanja namenov sprememb programskih rešitev, izvedenih v fazi vzdrževanja. Klasifikacija programskih sprememb glede na vrsto aktivnosti vzdrževanja, ki odraža specifične namene sprememb, omogoča učinkovitejšo analizo in načrtovanje vzdrževanja, podpira delovne procese in naloge razvijalcev ter se pogosto uporablja v raziskavah programskega inženirstva za proučevanje sprememb in evolucije rešitev. S ciljem ugotavljanja raziskovalnih vrzeli smo s sistematičnim pregledom literature proučili obstoječe pristope h klasifikaciji sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja. Za naslovitev teh vrzeli smo s študijo sistematičnega mapiranja pregledali pristope vektorizacije sprememb programske kode z učenjem predstavitev na podlagi izvorne kode, ki se v obstoječi literaturi uporabljajo za naslavljanje različnih izzivov programskega inženirstva. Na podlagi ugotovitev smo razvili in predlagali novo metodo kontekstno odvisne vektorske predstavitve sprememb programske kode, ki omogoča ekstrakcijo semantičnih značilk sprememb izvorne kode med dvema različicama programske rešitve ob upoštevanju konteksta sprememb. Predlagana metoda predstavi spremembo programske rešitve kot množico podrobnih sorodnih sprememb programske kode, temelječih na predstavitvah zaznanih razlik v izvorni kodi na osnovi žetonov. Za ekstrakcijo semantičnih vložitev sorodnih sprememb metoda uporablja strojno učenje s prenosom znanja iz izbranega prednaučenega jezikovnega modela programske kode iz družine modelov BERT, kot so CodeBERT, UniXcoder in StarEncoder, ki je bil predhodno dodatno prilagojen ciljni nalogi s paradigmama samonadzorovanega in nadzorovanega učenja. Pridobljene vektorske vložitve podrobnih sorodnih sprememb so nato združene v enotno semantično vektorsko predstavitev spremembe programske rešitve. Za klasifikacijo sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja smo na označeni podatkovni množici izgradili modele strojnega učenja, pri čemer smo za ekstrakcijo značilk uporabili predlagano metodo ter referenčne in obstoječe metode predstavitve sprememb rešitev. Z nadzorovanim eksperimentom, študijo ablacije in primerjalno študijo smo proučili vpliv različnih parametrov predlagane metode predstavitve sprememb na uspešnost klasifikacije, primerjali uspešnost klasifikacije ob uporabi predlagane metode v primerjavi z uporabo referenčnih in obstoječih metod predstavitve sprememb ter ovrednotili uspešnost multimodalnih modelov strojnega učenja, temelječih na nadgradnji obstoječih metod predstavitve sprememb s predlagano metodo z združevanjem modalnosti naravnega jezika in programske kode. Empirične rezultate smo statistično analizirali s pomočjo frekventistične in Bayesove statistike. Izsledki raziskav potrjujejo izhodiščno tezo, da je z uporabo nove metode mogoče izgraditi modele strojnega učenja, ki uspešno klasificirajo spremembe programskih rešitev glede na vrsto aktivnosti vzdrževanja. Osrednje ugotovitve doktorske disertacije so naslednje: vektorske predstavitve sprememb programske kode na osnovi predlagane metode dosegajo primerljivo ali višjo uspešnost pri klasifikaciji v primerjavi s predstavitvami na osnovi referenčnih in obstoječih metod; zmanjšanje dimenzionalnosti kontekstno odvisnih vektorskih predstavitev sprememb omogoča zmanjšanje števila dimenzij brez negativnega vpliva na uspešnost klasifikacije; multimodalni klasifikacijski modeli dosegajo višjo uspešnost klasifikacije v primerjavi z unimodalnimi modeli.
Ključne besede: vzdrževanje programske opreme, spremembe programskih rešitev, rudarjenje repozitorijev programskih rešitev, strojno učenje, klasifikacija, nevronski jezikovni modeli programske kode, vektorske predstavitve, vektorska vložitev
Objavljeno v DKUM: 06.01.2025; Ogledov: 0; Prenosov: 124
Celotno besedilo (5,56 MB) |
