BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20230922T085329Z LAST-MODIFIED:20230922T085329Z DTSTAMP:20261014T045351Z UID:1791942831@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Μιχαήλ Θεολογίτη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=6467&cHash=32 55a89a600b96db4215033b16fd15a5\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μι χαήλ Θεολογίτη\n με θέμα\n Algorithm s for Online Federated Machine Learn ing\n Εξεταστική Επιτροπή\n Καθηγητή ς Βασίλειος Σαμολαδάς (επιβλέπων)\n Καθηγητής Αθανάσιος Λιάβας\n Καθηγητ ής Μίνως Γαροφαλάκης\n Περίληψη \n Σ το σύγχρονο κόσμο, ο πολλαπλασιασμός των δεδομένων, οδηγούμενος από το δ ιαδίκτυο, τα κοινωνικά δίκτυα και το Internet of Things (IoT), έχει επιφ έρει καταλυτικές αλλαγές σε διάφορου ς τομείς, με το Machine Learning (ML ) να βρίσκεται στο προσκήνιο αυτής τ ης επανάστασης. Καθώς η εποχή των Bi g Data προάγει αξιοσημείωτες εξελίξε ις του ML σε τομείς όπως η αναγνώρισ η εικόνων και το natural language pr ocessing, συγχρόνως εισάγει σημαντικ ές υπολογιστικές προκλήσεις, λογιστι κά εμπόδια και ανησυχίες για τo ιδιω τικό απόρρητο. Αυτές οι πολυπλοκότητ ες έχουν φτάσει τις παραδοσιακές προ σεγγίσεις του ML στα άκρα, αποδεικνύ οντας συχνά ότι είναι ανεπαρκείς, εν θαρρύνοντας την άνοδο καινοτόμων τεχ νικών όπως το Federated Learning (FL ). Εμβαθύνουμε στις προκλήσεις που π αρουσιάζονται στο παραδοσιακό iterat ive training process του FL, το οποί ο είναι μη δυναμικό και υπαγορεύει π ροκαθορισμένες λειτουργίες για τους συμμετέχοντες learners. Διερευνούμε μια δυναμική προσέγγιση βασισμένη στ ις αρχές του Functional Geometric Mo nitoring (FGM), μιας κορυφαίας τεχνι κής για την παρακολούθηση distribute d data streams, με στόχο τη βελτίωση της διαδικασίας εκπαίδευσης μειώνον τας σημαντικά τον φόρτο επικοινωνίας . Υπό το πρίσμα του FGM και χρησιμοπ οιώντας τρεις προσεγγιστικές τεχνικέ ς, η δουλειά μας αξιολογεί την αποτε λεσματικότητά του στη βελτίωση των σ υμβατικών διαδικασιών εκπαίδευσης το υ FL, υποστηριζόμενη από πλήρεις πει ραματικές αναλύσεις.\n Abstract \n I n the contemporary landscape, the pr oliferation of data, driven by the i nternet, social media, and the Inter net of Things (IoT), has catalyzed t ransformative shifts across various sectors, with Machine Learning (ML) standing at the forefront of this re volution. As the Big Data era foster s remarkable ML advancements in doma ins like image recognition and natur al language processing, it also intr oduces substantial computational cha llenges, logistical hurdles, and pri vacy concerns. These complexities ha ve pushed traditional ML approaches to the limit, often proving inadequa te, prompting the rise of innovative paradigms such as Federated Learnin g (FL). We delve into the challenges posed by FL's traditional iterative training process, which is non-dyna mic and prescribes predetermined ope rations for participating learners. We investigate a dynamic approach an chored in the principles of Function al Geometric Monitoring (FGM), a sta te-of-the-art technique for monitori ng distributed data streams, with th e aim to enhance the training proces s by significantly mitigating commun ication overhead. Through the lens o f FGM and employing three approximat ion techniques, our work evaluates i ts efficacy in refining FL's convent ional training procedures, supported by comprehensive experimental analy ses.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20230927T110000 DTEND:20230927T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR