Ανάπτυξη τεχνικών ομοσπονδιακής μάθησης για ετερογενή συστήματα Διαδικτύου των Πραγμάτων

Περίληψη

Η ευρεία επέκταση των συσκευών του Διαδικτύου των Πραγμάτων (ΔτΠ) έχει οδηγήσει στη δημιουργία πολύ μεγάλου αριθμού κατανεμημένων δεδομένων. Αυτή η τάση ωθεί την έρευνα να περάσει από την κεντρική επεξεργασία δεδομένων με Μηχανική Μάθηση (ΜΜ), σε τεχνικές Kατανεμημένης Μηχανικής Μάθησης (KΜΜ). Τα συστήματα κατανεμημένης ΜΜ εισάγουν νέες ανησυχίες ιδιαιτέρως στον τομέα της ιδιωτικότητας των δεδομένων των χρηστών. Για την αντιμετώπιση των προβλημάτων που σχετίζονται με την ιδιωτικότητα και τον φόρτο επικοινωνίας, η Ομοσπονδιακή Μάθηση (ΟΜ) έχει αναδειχθεί ως ένα πρότυπο σύνολο τεχνικών που επιτρέπουν σε συσκευές με περιορισμένους πόρους, να εκπαιδεύουν μοντέλα συνεργατικά, χωρίς να μοιράζονται τα πρωτογενή τους δεδομένα, κατευθείαν στην άκρη του δικτύου. Ωστόσο, η ανάπτυξη της ΟΜ σε περιβάλλοντα ΔτΠ μεταξύ πολλαπλών συσκευών επηρεάζεται σημαντικά από τη στατιστική ετερογένεια, όπου τα μη - Ανεξάρτητα και Ισόνομα Κατανεμημένα (non-IID) δεδομένα των χρηστών προκαλούν προβλήματα, όπως το φα ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The widespread adaptation of Internet of Things (IoT) devices has led to the generation of vast amounts of decentralized data. This trend pushes the research to shift from centralized data processing to Distributed Machine Learning (DML) techniques. DML introduces concerns especially regarding user data privacy. To address privacy concerns and communication overhead, Federated Learning (FL) has emerged as a standard framework, enabling resource-constrained edge devices to collaboratively train models without sharing raw data. However, the deployment of FL in cross-device IoT environments is significantly impacted by statistical heterogeneity, where non-Independent and Identically Distributed (non-IID) data across clients causes client-drift, optimization instability, and degraded model convergence. Achieving convergence acceleration and stability while minimizing transmitted data remains a highly challenging task.This thesis explores the intersection of the IoT and DML, focusing specif ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/62953
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/62953
ND
62953
Εναλλακτικός τίτλος
Development of federated learning techniques for heterogeneous IoT systems
Συγγραφέας
Ζανταλής, Φώτιος (Πατρώνυμο: Νικόλαος)
Ημερομηνία
09/2026
Ίδρυμα
Πανεπιστήμιο Δυτικής Αττικής. Πολυτεχνική Σχολή. Τμήμα Ηλεκτρολόγων & Ηλεκτρονικών Μηχανικών
Εξεταστική επιτροπή
Κουλούρας Γρηγόριος
Ζέρβας Ευάγγελος
Αλεξανδρίδης Αλέξανδρος
Κανδρής Ξενοφών Διονύσιος
Κεσίδης Αναστάσιος
Μιχάλας Άγγελος
Ψαράκης Μιχαήλ
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία ➨ Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Ηλεκτρική και Ηλεκτρονική μηχανική
Επιστήμες Μηχανικού και Τεχνολογία ➨ Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Υπολογιστές, Υλικό (hardware) και Αρχιτεκτονική
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη; Ομοσπονδιακή μάθηση; Μηχανική μάθηση; Διαδίκτυο των πραγμάτων; Κατανεμημένη μάθηση; Βελτιστοποίηση
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
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.