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:20250506T105352Z
LAST-MODIFIED:20250506T105352Z
DTSTAMP:20260612T021422Z
UID:1781219662@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ιωάννη Χριστοφιλογιάννη - 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=7666&cHash=33
 1a9f86e11b839fd89aa356c9e735d1\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιω
 άννη Χριστοφιλογιάννη\n με θέμα\n Επ
 ιλογή Χαρακτηριστικών στο Περιβάλλον
  του Federated Machine Learning\n Fe
 ature Selection in the Federated Mac
 hine Learning Setting\n Εξεταστική Ε
 πιτροπή\n Καθηγητής Σωτήριος Ιωαννίδ
 ης (επιβλέπων)\n Καθηγητής Θρασύβουλ
 ος Σπυρόπουλος \n Αναπληρωτής Καθηγη
 τής Βασίλειος Σαμολαδάς \n Περίληψη\
 n Αυτή η διπλωματική εργασία παρουσι
 άζει δύο κύριες συνεισφορές για την 
 προώθηση της έρευνας στην Ομοσπονδια
 κή Μάθηση (FL): Feature Election και
  το σύστημα FLEx. Το Feature Electio
 n είναι ένας νέος ομοσπονδιακός (fed
 erated) αλγόριθμος επιλογής χαρακτηρ
 ιστικών που επιτρέπει στις παραδοσια
 κές μεθόδους επιλογής χαρακτηριστικώ
 ν (FS) να λειτουργούν σε οριζόντια ο
 μοσπονδιακά περιβάλλοντα χωρίς να αλ
 λάζει η βασική τους λογική. Ο αλγόρι
 θμος αξιοποιεί διανύσματα ψήφων που 
 δημιουργούνται από τους πελάτες με β
 αθμολογίες προτίμησης, διατηρώντας π
 αράλληλα το απόρρητο των δεδομένων, 
 χρησιμοποιώντας μια παράμετρο βαθμού
  ελευθερίας που ελέγχει το πλήθος τω
 ν χαρακτηριστικών που επιλέγονται. Η
  δεύτερη συνεισφορά, το FLEx (Federa
 ted Learning Exchange), είναι ένα ολ
 οκληρωμένο σύστημα που συνδυάζει την
  απόδοση δικτύου της C++ με τις δυνα
 τότητες μηχανικής μάθησης της Python
  με ενσωμάτωση μέσω της Cython, προσ
 τατευμένο από συμμετρική και από ασύ
 μμετρη κρυπτογράφηση. Αυτό το σύστημ
 α συγκρίνεται ευνοϊκά με ανταγωνιστι
 κές λύσεις βάσει μετρικών αξιολόγηση
 ς από μια πρόσφατη έρευνα. Η πειραμα
 τική επικύρωση σε πέντε σύνολα δεδομ
 ένων χρησιμοποιώντας τρεις τύπους μο
 ντέλων ML αποδεικνύει ότι αυτές οι σ
 υνεισφορές μειώνουν σημαντικά το κόσ
 τος της επικοινωνίας με μειώσεις μεγ
 έθους παραμέτρων μοντέλου σε όλα τα 
 πειράματα (έως 93,4%), διατηρώντας ή
  βελτιώνοντας την απόδοση του μοντέλ
 ου και μειώνοντας τον θόρυβο, την υπ
 ερπροσαρμογή και το υπολογιστικό κόσ
 τος. Η ενσωμάτωση του αλγορίθμου Fea
 ture Election με το σύστημα Flower π
 έτυχε μειώσεις μεγέθους μοντέλου έως
  67,7%, ενώ τα πειράματα επαύξησης χ
 αρακτηριστικών επιβεβαίωσαν την ανθε
 κτικότητα σε χώρους υψηλών διαστάσεω
 ν. Μαζί, το Feature Election και το 
 FLEx καθιερώνουν ένα νέο παράδειγμα 
 για δικτυακά αποδοτική ομοσπονδιακή 
 μάθηση σε σενάρια περιορισμένου εύρο
 υς ζώνης με ευαίσθητα δεδομένα\n Abs
 tract \n This thesis presents two ma
 in contributions to advance research
  in Federated Learning (FL): Feature
  Election and the FLEx framework. Fe
 ature Election is a novel federated 
 Feature Selection algorithm that ena
 bles conventional Feature Selection 
 (FS) methods to operate in horizonta
 l federated settings without alterin
 g their core logic. The algorithm le
 verages client-generated vote vector
 s with preference scores while prese
 rving data privacy, using a freedom 
 degree parameter to control selectio
 n granularity. The second contributi
 on, FLEx (Federated Learning Exchang
 e), is a comprehensive framework tha
 t combines C++’s network performance
  with Python’s machine learning capa
 bilities through Cython integration,
  secured by both symmetric and asymm
 etric encryption. This framework com
 pares favorably with competing solut
 ions based on evaluation metrics fro
 m a recent survey. Experimental vali
 dation across five datasets using th
 ree Machine Learning (ML)model types
  demonstrates that these contributio
 ns significantly reduce communicatio
 n overhead with model parameter size
  reductions across all experiments (
 up to 93.4%), while maintaining or i
 mproving model performance and reduc
 ing noise, overfitting and computati
 onal cost. Integration of the Featur
 e Election algorithm with the Flower
  framework achieved model size reduc
 tions up to 67.7%, while feature aug
 mentation experiments confirmed robu
 stness in high-dimensional spaces. F
 eature Election in FLEx establishes 
 a new paradigm for network-efficient
  FL in bandwidth-constrained scenari
 os where data privacy is paramount.\
 n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250509T160000
DTEND:20250509T170000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR