Optimizing responsible decentralized machine learning methods for AI applications

Abstract

The exponential growth of artificial intelligence technologies has led to their widespread adoption across a diverse range of domains, including healthcare, telecommunications, energy, and personalized digital services. As AI systems become increasingly integrated into critical infrastructures and real-world decision-making processes, important ethical and technical concerns have emerged. These include risks to data privacy, lack of transparency in model decisions, fairness in algorithmic outcomes, and the rising environmental footprint of large-scale machine learning models. Addressing these concerns requires a shift from purely performance-driven AI to a more Responsible AI paradigm, an approach that prioritizes ethical, sustainable, and human-centric principles in the design and deployment of intelligent systems. This thesis approaches Responsible AI through three core pillars: privacy, explainability, and sustainability. It investigates how modern machine learning pipelines can be designed to meet these principles in practice, by developing methods that are not only accurate but also ethically and socially aligned. A central focus of this thesis is the application of Responsible AI principles in decentralized settings, where data privacy, system heterogeneity, and lack of centralized control present unique challenges. In this context, Federated Learning is investigated as a primary technique to apply these principles across diverse domains. Federated Learning allows multiple data-holding parties (for example, edge devices or institutions) to collaboratively train machine learning models without sharing raw data. This approach naturally suits distributed environments. However, several open challenges remain in ensuring that Federated Learning systems meet the broader goals of responsibility and efficiency, including handling non-independent and identically distributed data, energy efficiency, and model explainability. To address these challenges, this work explores four central research questions concerning the evolution of Federated Learning under the lens of Responsible AI. First, it investigates how Federated Learning can be applied across diverse domains and heterogeneous data in a way that supports ethical, privacy-preserving, and human-aligned principles. Second, it examines which techniques and system-level strategies can improve the energy efficiency and overall sustainability of Federated Learning in decentralized environments. Third, it analyzes how explainability methods can be integrated into machine learning workflows to enhance transparency and user trust. Finally, it explores the main challenges that arise when deploying Federated Learning systems in real-world settings, where data, infrastructure, and human factors introduce additional complexity. To answer these questions, the thesis presents a comprehensive methodological and experimental framework grounded in applied research across multiple domains.In the field of telecommunications, the thesis examines the application of Federated Learning for base station traffic forecasting using real-world datasets from cellular networks. A comprehensive evaluation is conducted on multiple model aggregation strategies, client-level personalization methods, and the integration of external data sources to improve prediction accuracy. In addition, the environmental impact of different Federated Learning configurations is assessed through energy consumption metrics, highlighting trade-offs between performance and sustainability. In the healthcare domain, the thesis presents two applications of Federated Learning with integrated privacy-enhancing technologies, targeting anomaly detection and personalized health monitoring. The first application focuses on early-stage identification of Autism Spectrum Disorder using data collected from serious games. A semi-supervised Federated Learning framework is proposed, incorporating autoencoder-based anomaly detection, homomorphic encryption, and advanced aggregation methods to ensure both performance and privacy. The second application introduces the architecture of a decentralized ovulation tracking system that combines Federated Learning, blockchain, and privacy-enhancing technologies at multiple granularities. This system is based on the principle that sensitive reproductive health data remain on user devices while maintaining transparency and trust through immutable consent tracking. To enhance the efficiency and adaptability of decentralized learning systems, a novel client selection algorithm based on Cellular Automata is introduced. This method enables dynamic and context-aware client participation by considering spatial and temporal resource constraints, thus improving the scalability and responsiveness of Federated Learning in resource-constrained environments. Complementing this, the thesis also incorporates a score-based sampling mechanism for smartphones used in a healthcare scenario, where each client is evaluated based on a composite score of local training loss and model divergence. This adaptive selection improves both learning robustness and communication efficiency, particularly under non-iid data conditions. In the context of explainability, the thesis explores explainable machine learning models for detecting non-technical losses in electricity distribution systems. Using consumption data from traditional meters, a combination of model-agnostic techniques, such as SHAP values and permutation importance, is employed to provide transparency and actionable insights to utility providers. Furthermore, the study demonstrates that similar predictive performance can be achieved with a reduced feature set, thus improving both interpretability and computational efficiency. Finally, the thesis addresses the challenges associated with real-world deployment of Federated Learning systems. A critical analysis is conducted on the limitations of current solutions, particularly in terms of statistical heterogeneity, data availability, privacy-preserving mechanisms, and system personalization. Through this analysis, a set of practical recommendations is proposed to bridge the gap between theoretical advancements and operational feasibility. Overall, the thesis shows that building Responsible AI systems is both possible and necessary. By focusing on privacy, explainability, and sustainability, and by evaluating real-world deployment, the work provides practical tools and insights that help make AI more useful, reliable, and aligned with societal requirements.

Η εκθετική ανάπτυξη των τεχνολογιών Τεχνητής Νοημοσύνης έχει οδηγήσει στην ευρεία υιοθέτησή τους σε ένα μεγάλο φάσμα τομέων, όπως η υγεία, οι τηλεπικοινωνίες, η ενέργεια και οι εξατομικευμένες ψηφιακές υπηρεσίες. Καθώς τα συστήματα ΤΝ ενσωματώνονται ολοένα και περισσότερο σε κρίσιμες υποδομές και διαδικασίες λήψης αποφάσεων στον πραγματικό κόσμο, αναδύονται σημαντικές ηθικές και τεχνικές προκλήσεις. Αυτές περιλαμβάνουν κινδύνους για την ιδιωτικότητα των δεδομένων, έλλειψη διαφάνειας στις αποφάσεις των μοντέλων, ζητήματα δικαιοσύνης, καθώς και το αυξανόμενο περιβαλλοντικό αποτύπωμα των μεγάλων μοντέλων Μηχανικής Μάθησης. Η αντιμετώπιση αυτών των προκλήσεων απαιτεί μια μετάβαση από την αναζήτηση αποκλειστικά υψηλής απόδοσης προς ένα πιο υπεύθυνο μοντέλο χρήσης ΤΝ, δηλαδή μια προσέγγιση που δίνει προτεραιότητα σε ηθικές, βιώσιμες και ανθρωποκεντρικές αρχές για τον σχεδιασμό και την υλοποίηση ευφυών συστημάτων. Η παρούσα διατριβή προσεγγίζει την Υπεύθυνη ΤΝ μέσα από τρεις βασικούς πυλώνες: ιδιωτικότητα, ερμηνευσιμότητα και βιωσιμότητα. Εξετάζει πώς μπορούν να σχεδιαστούν σύγχρονες ροές Μηχανικής Μάθησης ώστε να ενσωματώνουν αυτές τις αρχές στην πράξη, αναπτύσσοντας μεθόδους που δεν είναι μόνο ακριβείς αλλά και ηθικά και κοινωνικά ευθυγραμμισμένες. Κεντρικό άξονα της διατριβής αποτελεί η εφαρμογή των αρχών της Υπεύθυνης ΤΝ σε αποκεντρωμένα περιβάλλοντα, όπου η διατήρηση της ιδιωτικότητας, η ετερογένεια του συστήματος και η απουσία κεντρικού ελέγχου εγείρουν μοναδικές προκλήσεις. Στο πλαίσιο αυτό, εξετάζεται η Ομοσπονδιακή Μάθηση ως κύρια τεχνική για την εφαρμογή αυτών των αρχών σε ποικίλους τομείς. Η Ομοσπονδιακή Μάθηση επιτρέπει σε πολλαπλούς φορείς που διαθέτουν δεδομένα, όπως έξυπνες συσκευές και ιδρύματα, να εκπαιδεύουν συνεργατικά μοντέλα χωρίς να μοιράζονται τα αρχικά δεδομένα, κάτι που ευθυγραμμίζεται φυσικά με κατανεμημένα περιβάλλοντα. Ωστόσο, παραμένουν σημαντικά ανοιχτά ζητήματα, όπως η αντιμετώπιση μη ανεξάρτητων και μη ομοιόμορφα κατανεμημένων δεδομένων, η ενεργειακή αποδοτικότητα και η ερμηνευσιμότητα των μοντέλων. Η διατριβή εξετάζει τέσσερα βασικά ερευνητικά ερωτήματα σχετικά με την εφαρμογή της Ομοσπονδιακής Μάθησης: πώς μπορεί να υποστηρίξει τις αρχές της Υπεύθυνης ΤΝ σε ετερογενή περιβάλλοντα, ποιες τεχνολογικές και συστημικές στρατηγικές ενισχύουν τη βιωσιμότητα και ενεργειακή αποδοτικότητα, με ποιους τρόπους μπορούν να ενσωματωθούν μέθοδοι ερμηνευσιμότητας στις ροές Μηχανικής Μάθησης και ποιες είναι οι κύριες προκλήσεις στην εφαρμογή της σε πραγματικές συνθήκες. Για την απάντηση αυτών των ερωτημάτων, παρουσιάζεται ένα ολοκληρωμένο μεθοδολογικό και πειραματικό πλαίσιο, βασισμένο σε εφαρμοσμένη έρευνα σε πολλούς τομείς. Στον τομέα των τηλεπικοινωνιών, εξετάζεται η χρήση της Ομοσπονδιακής Μάθησης για την πρόβλεψη κυκλοφορίας σε σταθμούς βάσης, με πραγματικά δεδομένα από δίκτυα κινητής τηλεφωνίας. Πραγματοποιείται αξιολόγηση διαφορετικών στρατηγικών συγχώνευσης μοντέλων, τεχνικών εξατομίκευσης σε επίπεδο κόμβου και ενσωμάτωσης εξωγενών δεδομένων για τη βελτίωση της ακρίβειας των προβλέψεων. Παράλληλα, αξιολογείται ο περιβαλλοντικός αντίκτυπος διαφορετικών παραμετροποιήσεων μέσω μετρήσεων κατανάλωσης ενέργειας, αναδεικνύοντας τους συμβιβασμούς μεταξύ επίδοσης και βιωσιμότητας. Στον τομέα της υγείας παρουσιάζονται δύο εφαρμογές που εστιάζουν στην προστασία της ιδιωτικότητας: η έγκαιρη ανίχνευση του Αυτιστικού Φάσματος μέσω δεδομένων από εκπαιδευτικό παιχνίδι, όπου προτείνεται ημι-εποπτευόμενο πλαίσιο με τεχνικές ανίχνευσης ανωμαλιών, κρυπτογράφηση και προηγμένες μεθόδους συγχώνευσης, και η αρχιτεκτονική ενός αποκεντρωμένου συστήματος παρακολούθησης ωορρηξίας που συνδυάζει Ομοσπονδιακή Μάθηση, τεχνολογίες blockchain και εργαλεία προστασίας ιδιωτικότητας, διατηρώντας ευαίσθητα δεδομένα τοπικά στις συσκευές των χρηστών. Για την ενίσχυση της αποδοτικότητας, προτείνεται νέος αλγόριθμος επιλογής κόμβων βασισμένος σε Κυψελιδωτά Αυτόματα, ο οποίος επιτρέπει δυναμική συμμετοχή κόμβων ανάλογα με διαθέσιμους πόρους, βελτιώνοντας την κλιμάκωση και λειτουργία σε περιορισμένα περιβάλλοντα. Συμπληρωματικά, ενσωματώνεται μηχανισμός επιλογής συμμετεχόντων με βάση βαθμολογία, ο οποίος αξιοποιείται σε εφαρμογή υγείας με κινητά τηλέφωνα, μειώνοντας επικοινωνιακή επιβάρυνση και ενισχύοντας τη σταθερότητα εκπαίδευσης σε μη ομοιόμορφα δεδομένα. Σε ό,τι αφορά την ερμηνευσιμότητα, εξετάζονται μοντέλα για την ανίχνευση Μη Τεχνικών Απωλειών σε ηλεκτρικά δίκτυα, με χρήση δεδομένων κατανάλωσης από παραδοσιακούς μετρητές. Εφαρμόζονται τεχνικές ερμηνευσιμότητας που επιτρέπουν στους παρόχους να κατανοούν τους παράγοντες που οδηγούν στις προβλέψεις, ενώ αποδεικνύεται ότι παρόμοια ακρίβεια επιτυγχάνεται και με περιορισμένο αριθμό χαρακτηριστικών, ενισχύοντας τη διαφάνεια και μειώνοντας το υπολογιστικό κόστος. Τέλος, πραγματοποιείται αναλυτική μελέτη των προκλήσεων που αφορούν την υλοποίηση της Ομοσπονδιακής Μάθησης σε πραγματικές συνθήκες, όπως η ετερογένεια των δεδομένων, οι τεχνικές προστασίας ιδιωτικότητας, η περιορισμένη διαθεσιμότητα δεδομένων και η εξατομίκευση μοντέλων. Διατυπώνονται πρακτικές συστάσεις που γεφυρώνουν το χάσμα μεταξύ θεωρητικής έρευνας και εφαρμοσμένης χρήσης. Συνολικά, η διατριβή αποδεικνύει ότι η κατασκευή Υπεύθυνων Συστημάτων Τεχνητής Νοημοσύνης είναι όχι μόνο εφικτή αλλά και αναγκαία. Μέσα από την ανάλυση των αρχών της ιδιωτικότητας, της ερμηνευσιμότητας, της βιωσιμότητας και των προκλήσεων υλοποίησης, συμβάλλει με πρακτικά εργαλεία και γνώσεις που ενισχύουν τη χρηστικότητα, την αξιοπιστία και τη συμμόρφωση της ΤΝ με τις ανάγκες της κοινωνίας.