Υλοποίηση ενός υβριδικού πλαισίου ομοσπονδιακής μάθησης με βελτιστοποίηση νευρωνικών δικτύων για βελτιωμένη απόδοση μοντέλων τεχνητής νοημοσύνης
Περίληψη
Η παρούσα διατριβή επικεντρώνεται στον σχεδιασμό και την υλοποίηση ενός υβριδικού πλαισίου Ομοσπονδιακής Μάθησης (Federated Learning – FL), με στόχο τη βελτιστοποίηση της απόδοσης μοντέλων τεχνητής νοημοσύνης σε κατανεμημένα, ευαίσθητα και δυναμικά περιβάλλοντα, όπως τα δίκτυα 5G, το ΙοΤ και τα αυτόνομα οχήματα. Μέσα από έναν συνδυασμό τεχνικών όπως το Federated Averaging, η χρήση Συνελικτικών Νευρωνικών Δικτύων (CNN) και τεχνολογιών cloud computing και containerization, προτείνεται μια ευέλικτη αρχιτεκτονική τριών επιπέδων (client–edge–cloud) που ενσωματώνει ευρετικές επιλογές για την επιλογή πελατών, τη μείωση του κόστους επικοινωνίας και την ενίσχυση της ιδιωτικότητας των δεδομένων. Επιπλέον, αναπτύσσεται ένα εργαλείο (FLATT) που επιτρέπει στον σχεδιαστή να καθορίζει, ακόμα και κατά τη διάρκεια εκτέλεσης, δυναμικές στρατηγικές μάθησης προσαρμοσμένες στις απαιτήσεις της εφαρμογής. Η εργασία τεκμηριώνει ότι οι παραδοσιακές στρατηγικές FL έχουν φτάσει στα όριά τους ως προς την απόδοση, ...
περισσότερα
Περίληψη σε άλλη γλώσσα
This thesis focuses on the design and implementation of a hybrid Federated Learning (FL) framework aimed at optimizing the performance of artificial intelligence models in distributed, sensitive, and dynamic environments such as 5G networks, IoT systems, and autonomous vehicles. By combining techniques like Federated Averaging, Convolutional Neural Networks (CNN), and cloud/container technologies, it proposes a flexible three-tier architecture (client–edge–cloud) that incorporates heuristics for intelligent client selection, communication cost reduction, and enhanced data privacy. Additionally, a strategy tailoring tool (FLATT) is developed, enabling designers to configure and adapt FL strategies dynamically at runtime based on the specific requirements of the application domain. The study demonstrates that traditional FL strategies have reached their limitations in terms of performance, accuracy, and handling non-IID (non-independent and identically distributed) data. Through the inte ...
περισσότερα
![]() | |
![]() | Κατεβάστε τη διατριβή σε μορφή PDF (4.28 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης

ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.

ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.

ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.

ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.