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:20260504T091319Z LAST-MODIFIED:20260504T091319Z DTSTAMP:20260514T142225Z UID:1778757745@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αθανασίου Χριστόπουλου - 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=8391&cHash=28 300e08eea0fb4d5d6440b69a5ddbb0\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αθ ανασίου Χριστόπουλου\n με θέμα\n Ομο σπονδιακή Βελτιστοποίηση Σμήνους Σωμ ατιδίων (PSO) σε Μικροϋπηρεσίες Kafk a Streams με χρήση DeepLearning4J\n Federated Particle Swarm Optimizatio n (PSO) on DeepLearning4J-powered Ka fka Streams Microservices\n Εξεταστι κή Επιτροπή\n Επίκουρος Καθηγητής  Ν ικόλαος Γιατράκος (Επιβλέπων)\n Καθη γητής Αντώνιος Δεληγιαννάκης\n Αναπλ ηρωτής Καθηγητής Βασίλειος Σαμολαδάς \n Περίληψη\n Η παρούσα διπλωματική εργασία παρουσιάζει ένα κατανεμημένο σύστημα για την εκπαίδευση νευρωνικ ών δικτύων με χρήση του αλγορίθμου Β ελτιστοποίησης Σμήνους Σωματιδίων (P article Swarm Optimization – PSO), ω ς εναλλακτική προσέγγιση στην μέθοδο η Στοχαστική Κατηφόρα Κλίση (Stocha stic Gradient Descent – SGD). Το σύσ τημα υλοποιείται με χρήση των Apache Kafka και Kafka Streams, όπου οι ερ γαζόμενοι κόμβοι λειτουργούν ως ανεξ άρτητα σωματίδια και επικοινωνούν ασ ύγχρονα μέσω Kafka, κάτι που επιτρέπ ει επίσης τη λειτουργία του σε ομοσπ ονδιακά (federated) περιβάλλοντα. Η προτεινόμενη αρχιτεκτονική είναι παρ αμετροποιήσιμη και επεκτάσιμη, υποστ ηρίζοντας διαφορετικές διαμορφώσεις του PSO, τρόπους επικοινωνίας και στ ρατηγικές εκπαίδευσης νευρωνικών δικ τύων.\n Σε αντίθεση με τις παραδοσια κές σύγχρονες υλοποιήσεις του PSO, τ ο σύστημα λειτουργεί με ασύγχρονο τρ όπο, επιτρέποντας στους εργαζόμενους κόμβους να ενημερώνουν τα μοντέλα τ ους ανεξάρτητα χωρίς καθολικό συγχρο νισμό, γεγονός που βελτιώνει τον χρό νο εκπαίδευσης και την επεκτασιμότητ α. Το σύστημα υποστηρίζει επίσης δια φορετικές στρατηγικές επικοινωνίας, συμπεριλαμβανομένης της καθολικής κα ι της βασισμένης σε γειτονιές ανταλλ αγής πληροφορίας, καθώς και μηχανισμ ούς φιλτραρίσματος επικοινωνίας, επι τρέποντας ευέλικτο έλεγχο της συμπερ ιφοράς του σμήνους.\n Το σύστημα αξι ολογήθηκε πειραματικά σε πολλαπλά σύ νολα δεδομένων, με έμφαση τόσο στην ποιότητα πρόβλεψης όσο και στην απόδ οση του συστήματος, συμπεριλαμβανομέ νου του χρόνου εκπαίδευσης και του ε πικοινωνιακού κόστους. Τα αποτελέσμα τα δείχνουν ότι η εκπαίδευση με PSO είναι εφικτή σε κατανεμημένα και ομο σπονδιακά περιβάλλοντα και ότι το πρ οτεινόμενο σύστημα υποστηρίζει βελτι στοποίηση χωρίς παραγώγους και παράλ ληλη επεξεργασία, διατηρώντας παράλλ ηλα ανταγωνιστική απόδοση.\n Abstrac t \n This thesis presents a distribu ted system for training neural netwo rks using Particle Swarm Optimizatio n (PSO) as an alternative to convent ional gradient-based methods, such a s Stochastic Gradient Descent (SGD). It is implemented using Apache Kafk a and Kafka Streams, where workers a ct as independent particles and comm unicate asynchronously through Kafka topics, which also enables operatio n in federated settings. The propose d architecture is configurable and e xtensible, supporting different PSO configurations, communication modes, and neural network training strateg ies.\n Unlike traditional synchronou s PSO implementations, the system op erates in an asynchronous manner, al lowing workers to update independent ly without global synchronization, w hich improves training time and scal ability. The system also supports di fferent communication strategies, in cluding global, neighborhood-based i nformation sharing and communication filtering, enabling flexible contro l over swarm behavior.\n The system was evaluated experimentally on mult iple datasets, with emphasis on both predictive quality and system perfo rmance, including training time and communication overhead. The results show that PSO training is feasible i n distributed and federated settings and that the proposed system suppor ts derivative-free and parallel opti mization, while maintaining competit ive performance.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260506T110000 DTEND:20260506T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR