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:20250623T091813Z LAST-MODIFIED:20250623T091813Z DTSTAMP:20260908T040100Z UID:1788829260@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Βαλαβάνη - 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=7781&cHash=93 2df36a0bdb0fc048a9b7f892bed7b0\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γε ωργίου Βαλαβάνη\n με θέμα\n Βελτιστο ποίηση Υπερπαραμέτρων Μοντέλων Μηχαν ικής Μάθησης σε Περιβάλλον Federated Learning \n Machine Learning Model Hyperparameter Fine-tuning in Federa ted Learning Environment \n Εξεταστι κή Επιτροπή\n Καθηγητής Σωτήριος Ιωα ννίδης (επιβλέπων)\n Καθηγητής Θρασύ βουλος Σπυρόπουλος\n Καθηγητής Μιχαή λ Λαγουδάκης\n Περίληψη\n Το Federat ed Learning (FL) έχει αναδειχθεί ως μια μέθοδος εκπαίδευσης Machine Lear ning (ML) μοντέλων σε αποκεντρωμένα δεδομένα, που διατηρεί την ιδιωτικότ ητα και την ασφάλεια. Ωστόσο, παρά τ α πλεονεκτήματά του, το hyperparamet er fine-tuning παραμένει μια κρίσιμη πρόκληση σε περιβάλλοντα FL λόγω τη ς ετερογένειας των δεδομένων, των πε ριορισμών επικοινωνίας και της ανάγκ ης για ασφαλή συνεργασία. Σε αυτή τη διπλωματική εργασία θα αντιμετωπιστ εί το πρόβλημα του αποδοτικού και ασ φαλούς hyperparameter fine-tuning σε περιβάλλον FL. Προτείνεται ένα fram ework στο οποίο οι clients συνεργάζο νται για να εξερευνήσουν συνδυασμούς υπερπαραμέτρων χρησιμοποιώντας τα τ οπικά τους δεδομένα. Στη συνέχεια, α φού βρεθούν οι βέλτιστες υπερπαράμετ ροι, πραγματοποιείται μια σειρά από secure aggregation γύρους στο server . Οι clients αξιοποιούν το stratifie d k-fold cross validation για την το πική αξιολόγηση των συνδυασμών υπερπ αραμέτρων, την κρυπτογραφημένη επικο ινωνία για την προστασία των updates του μοντέλου και το weighted aggreg ation για την δημιουργία του global model. Το υλοποιημένο framework υποσ τηρίζει διάφορους classifiers όπως S upport Vector Machines και Gaussian Naive Bayes, προσφέροντας εκτεταμένε ς δυνατότητες. Επιπλέον, για να διασ φαλιστεί η ιδιωτικότητα των δεδομένω ν, παρέχεται symmetric και asymmetri c encryption στην επικοινωνία μεταξύ clients και server. Τα πειραματικά αποτελέσματα αποδεικνύουν την αποτελ εσματικότητα αυτής της προσέγγισης σ την επίτευξη παρόμοιων F1 scores με μια μη federated προσέγγιση, διατηρώ ντας παράλληλα την επεκτασιμότητα κα ι την ασφάλεια. Η παρούσα εργασία συ νεισφέρει μια πρακτική μεθοδολογία γ ια το hyperparameter fine-tuning στο FL, εξισορροπώντας την απόδοση και την ιδιωτικότητα.\n Abstract \n Fede rated Learning (FL) has emerged as a paradigm for training machine learn ing models on decentralized data whi le preserving privacy. Despite its a dvantages, the process of hyperparam eter fine-tuning remains a critical challenge within FL settings, primar ily due to data heterogeneity, commu nication constraints, and the need f or secure collaboration. This thesis addresses the problem of efficient and privacy-preserving hyperparamete r fine-tuning in FL environments by providing a framework that utilizes federated hyperparameter fine-tuning . Here, clients collaboratively expl ore hyperparameter configurations us ing local data. Then, after the opti mal hyperparameters are found, a ser ies of secure aggregation rounds tak es place at the server. Our system l everages stratified k-fold cross-val idation on clients to evaluate hyper parameter combinations locally, encr ypted communication to protect model updates, and weighted aggregation t o harmonize global model performance . Various classifiers are supported, such as Support Vector Machines and Gaussian Naive Bayes, providing ext ended implementation capabilities. A dditionally, to ensure data privacy, our framework provides symmetric an d asymmetric encryption for the clie nt-server communication. Experimenta l results demonstrate the efficacy o f the approach in achieving similar F1 scores to a non-federated approac h while maintaining scalability and security. This work contributes a pr actical methodology for hyperparamet er fine-tuning in FL, balancing perf ormance and privacy.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250625T120000 DTEND:20250625T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR