1. Napovedovanje lastnosti molekul z grafovskimi nevronskimi mrežami : magistrsko deloLovro Novak, 2025, magistrsko delo Opis: Grafovske nevronske mreže (GNN) so se izkazale kot zmogljivo orodje za napovedovanje lastnosti struktur, predstavljenih v obliki grafov. Molekule lahko predstavimo kot grafe, kjer vozlišča predstavljajo atome, povezave pa kemijske vezi med njimi. V magistrski nalogi preučujemo učinkovitost GNN v kemoinformatiki za napovedovanje topnosti in temperature vrelišča molekul. Napovedovanje izvajamo z večopravilnim modelom ter z ločenimi, specializiranimi modeli za posamezno lastnost.
Ključne besede: grafovske nevronske mreže, graf, SMILES, napovedovanje lastnosti molekul
Objavljeno v DKUM: 16.12.2025; Ogledov: 0; Prenosov: 10
 Celotno besedilo (3,17 MB) |
2. A multi-task deep learning approach for landslide displacement prediction with applications in early warning systemsDamjan Strnad, Domen Mongus, Štefan Horvat, Ela Šegina, 2025, izvirni znanstveni članek Opis: Accurate landslide displacement prediction is important for the construction of reliable landslide early warning systems (LEWS). Recently, deep neural networks have become the dominant approach for landslide displacement modeling. However, we show that focusing solely on low prediction residuals is not perfectly aligned with the goals of LEWS, where the emphasis is on precise forecasts near the warning threshold. This can result in poor efficiency of threshold-based warning prediction. We propose a multi-task approach to model training, where auxiliary targets are used to optimize the model towards the performance relevant for LEWS. The methodology is validated using the data from the deep-seated Urbas landslide in north-western Slovenia, which has been monitored by GNSS since 2019. Developing a displacement prediction model for Urbas is a step towards extending the existing wire-based mechanical alarm system. We employ a convolutional neural network for day-ahead displacement prediction using recent landslide activity, hydrometeorological measurements and seismological data. The proposed multi-task model retains a competitive score for warning prediction while achieving a significantly lower mean absolute error compared to the reference models. The proposed methodology is generally applicable and has the potential to improve the efficiency of landslide modeling in the context of LEWS.
Ključne besede: landslide displacement prediction, neural network, multitask learning, landslide early warning system, remote sensing, GNSS
Objavljeno v DKUM: 12.12.2025; Ogledov: 0; Prenosov: 2
Celotno besedilo (2,63 MB) |
3. Hibridni priporočilni sistem za izposojo knjig v sistemu COBISS : magistrsko deloRene Svenšek, 2025, magistrsko delo Opis: V magistrskem delu obravnavamo razvoj in primerjavo različnih pristopov priporočilnih sistemov na področju knjižničnih sistemov. Najprej so predstavljeni teoretična izhodišča, uporabljene tehnologije in obdelava podatkov, ki so služili kot podlaga za implementacijo. V nadaljevanju so razviti in analizirani štirje pristopi: sodelovalno filtriranje, vsebinsko filtriranje ter mešani in kaskadni hibridni pristop. Eksperimentalni del temelji na vrednotenju z uporabo metrik HR@K, MRR@K in NDCG@K. Rezultati kažejo, da hibridni pristopi presegajo osnovne metode. Med njimi se je kot najbolj učinkovit izkazal kaskadni hibridni model, ki najbolje združuje prednosti obeh osnovnih tehnik in se prilagaja značilnostim knjižničnih podatkov.
Ključne besede: hibridni priporočilni sistem, knjižnični sistem, sodelovalno filtriranje, vsebinsko filtriranje, obdelava naravnega jezika
Objavljeno v DKUM: 17.10.2025; Ogledov: 0; Prenosov: 29
Celotno besedilo (2,17 MB) |
4. |
5. Računalniški igralec šaha po metodologiji AlphaZero : magistrsko deloTomaž Piko, 2025, magistrsko delo Opis: V magistrskem delu predstavljamo implementacijo lastnega računalniškega igralca šaha po metodologiji AlphaZero, ki se igre nauči brez predhodnega znanja z igranjem proti samemu sebi. V prvem delu na kratko predstavimo zgodovino računalniškega igranja šaha ter izvedemo pregled osnovnih pristopov šahovskih pogonov. Drugi del zajema implementacijo, učenje in preverjanje delovanja računalniškega igralca. Računalniški igralec je dosegel 2144 točk ELO v igrah z igralnim časom ene minute in 1976 točk ELO v kategoriji s časom treh minut, kar ustreza nivoju močnega amaterskega igralca.
Ključne besede: šah, računalniški igralec, šahovski pogoni, iskalna drevesa, nevronske mreže
Objavljeno v DKUM: 17.10.2025; Ogledov: 0; Prenosov: 8
Celotno besedilo (3,04 MB) |
6. Vpliv kvantizacije na učinkovitost globokih nevronskih mrež : magistrsko deloJakob Oprešnik, 2025, magistrsko delo Opis: V magistrskem delu predstavimo različne tehnike kvantizacije globokih nevronskih mrež in raziskujemo njihov vpliv na učinkovitost modelov.
Na klasifikacijskem modelu ResNet-18 in regresijskem LSTM primerjamo metode kvantizacije med učenjem in po učenju, pri čemer eksperimentiramo s kvantizacijo uteži, aktivacij in gradientov pri bitni širini 16 in 8.
Rezultati so v skladu s pričakovanji in kažejo, da določene metode znatno zmanjšajo velikost modelov in povečajo hitrost sklepanja ob ohranjanju primerljive točnosti, kar omogoča učinkovito implementacijo modelov na napravah z omejenimi računalniškimi viri.
Ključne besede: kvantizacija, kvantizacija po učenju, kvantizacija med učenjem, nevronska mreža, globoko učenje
Objavljeno v DKUM: 17.10.2025; Ogledov: 0; Prenosov: 40
Celotno besedilo (5,77 MB) |
7. Prunability of multi-layer perceptrons trained with the forward-forward algorithmMitko Nikov, Damjan Strnad, David Podgorelec, 2025, izvirni znanstveni članek Opis: We explore the sparsity and prunability of multi-layer perceptrons (MLPs) trained using the Forward-Forward (FF) algorithm, an alternative to backpropagation (BP) that replaces the backward pass with local, contrastive updates at each layer. We analyze the sparsity of the weight matrices during training using multiple metrics, and test the prunability of FF networks on the MNIST, FashionMNIST and CIFAR-10 datasets. We also propose FFLib—a novel, modular PyTorch-based library for developing, training and analyzing FF models along with a suite of FF-based architectures, including FFNN, FFNN+C and FFRNN. In addition to structural sparsity, we describe and apply a new method for visualizing the functional sparsity of neural activations across different architectures using the HSV color space. Moreover, we conduct a sensitivity analysis to assess the impact of hyperparameters on model performance and sparsity. Finally, we perform pruning experiments, showing that simple FF-based MLPs exhibit significantly greater robustness to one-shot neuron pruning than traditional BP-trained networks, and a possible 8-fold increase in compression ratios while maintaining comparable accuracy on the MNIST dataset.
Ključne besede: Forward-Forward, sparsity, pruning, model compression, machine learning, neural network
Objavljeno v DKUM: 20.08.2025; Ogledov: 0; Prenosov: 4
Celotno besedilo (7,01 MB) |
8. Primerjava modelov LSTM, CNN in Transformer ter njihovih kombinacij pri napovedovanju časovnih vrstTilen Koren, 2025, magistrsko delo Opis: V magistrskem delu smo primerjali izbrane arhitekture nevronskih mrež (LSTM, CNN, časovni Transformer in hibridne CNN-LSTM) pri napovedovanju časovnih vrst s posamezno spremenljivko in z več spremenljivkami ter pri različnih časovnih horizontih. Rezultati kažejo, da TCN (različica CNN) in LSTM največkrat dosežeta najnižje vrednosti napak. TCN se je izkazal kot najboljša izbira, saj pri zelo majhnem številu parametrov dosega rezultate, primerljive z večjimi modeli.
Ključne besede: Napovedovanje časovnih vrst, Nevronske mreže, Mreža z dolgim kratkoročnim spominom, Časovna konvolucijska mreža, Transformer
Objavljeno v DKUM: 10.07.2025; Ogledov: 0; Prenosov: 39
Celotno besedilo (1,26 MB) |
9. Constrained multi-objective optimization of simulated tree pruning with heterogeneous criteriaDamjan Strnad, Štefan Kohek, 2021, izvirni znanstveni članek Opis: Virtual pruning of simulated fruit tree models is a useful functionality provided by software tools for computer-aided horticultural education and research. It also enables algorithmic
pruning optimization with respect to a set of quantitative objectives, which is important for analytical
purposes and potential applications in automated pruning. However, the existing studies in pruning
optimization focus on a single type of objective, such as light distribution within the crown. In this
paper, we propose the use of heterogeneous objectives for discrete multi-objective optimization of
simulated tree pruning. In particular, the average light intake, crown shape, and tree balance are
used to observe the emergence of different pruning patterns in the non-dominated solution sets. We
also propose the use of independent constraint objectives as a new mechanism to confine overfitting
of solutions to individual pruning criteria. Finally, we perform the comparison of NSGA-II, SPEA2,
and MOEA/D-EAM on this task. The results demonstrate that SPEA2 and MOEA/D-EAM, which
use external solution archives, can produce better sets of non-dominated solutions than NSGA-II.
Ključne besede: multi-objective optimization, virtual tree pruning, heterogeneous objectives, constraint objectives, NSGA-II, SPEA2, EuMOEA/D-EAM
Objavljeno v DKUM: 19.06.2025; Ogledov: 0; Prenosov: 10
Celotno besedilo (5,75 MB)
Gradivo ima več datotek! Več... |
10. Interaktivno upodabljanje digitalnega modela reliefa s štiriškim drevesom : diplomsko deloAnej Krajnc, 2025, diplomsko delo Opis: Diplomsko delo opisuje implementacijo upodabljanja digitalnega modela reliefa s štiriškim drevesom, trikotniško mrežo, z Blinn-Phongovo osvetlitvijo in sivinsko barvo. Cilj je pohitriti prikaz digitalnega modela reliefa s štiriškim drevesom. Ugotovili smo, da je prikaz s štiriškim drevesom hitrejši od prikaza celotnega modela reliefa, vendar ima večjo pomnilniško zahtevnost. Hitrost izrisa je odvisna tudi od števila oglišč, kar smo ugotovili z uporabo treh digitalnih modelov reliefa z različnim številom oglišč.
Ključne besede: štiriško drevo, digitalni model reliefa, trikotniška mreža, Blinn-Phongov osvetlitveni model, OpenGL
Objavljeno v DKUM: 08.05.2025; Ogledov: 0; Prenosov: 21
Celotno besedilo (1,61 MB) |
