Συντάχθηκε 16-02-2026 08:19
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 17/02/2026 12:00
Λήξη: 17/02/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Αλεξάνδρου Αβραάμ
με θέμα
Ομοσπονδοποιημένη Μάθηση Επιδημιακών Χωροχρονικών Μοντέλων
Federated Learning of Spatiotemporal Epidemic Models
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Καθηγητής Θρασύβουλος Σπυρόπουλος
Περίληψη
Η διπλωματική παρουσιάζει ένα καινοτόμο πλαίσιο Ομοσπονδοποιημένης Μάθησης για την ανάλυση χωροχρονικών μοντέλων, με έμφαση στην πανδημία COVID-19. Γίνεται χρήση του αλγορίθμου Approximate Bayesian Computation Sequential Monte Carlo για την εκτίμηση παραμέτρων χωρίς τη χρήση της συνάρτησης πιθανοφάνειας. Προσφέροντας μία λύση σε ντετερμινιστικά και στοχαστικά συστήματα. Η μεθοδολογία επικυρώθηκε με τα μοντέλα Lotka - Volterra, Susceptible - Infected - Recovered (SIR) πριν εφαρμοστεί στο προηγμένο μοντέλο Episim για τα δεδομένα της Ισπανίας. Για να αντιμετοσπιστεί το ακριβό κόστος προσωμοίωσης με τον Episim, ενσωματώθηκε το πλαίσιο Dask Distributed για την παραλληλοποίηση των διεργασιών. Στόχος της εργασίας είναι η διασφάλιση της ιδιωτικότητας ευαίσθητων ιατρικών δεδομένων μέσα από μια ομοσπονδοποιημένη τοπολογία. Τα αποτελέσματα δείχνουν ότι το σύστημα συγκλίνει αποτελεσματικά στις πραγματικές επιδημιολογικές παραμέτρους χωρίς την ανταλλαγή ευαίσθητων δεδομένων. Προσφέρει ένα επεκτάσιμο εργαλείο για τη εύρεση σημαντικών επιδημιολογικών παραμέτρων σε πραγματικό χρόνο.Ταυτόχρονα, αναδεικνύει τη σημασία της ομοσπονδοποιημένης αρχιτεκτονικής στη διαχείριση γεωγραφικά δεσπαρμένων και ευαίσθητων πηγών πληροφορίας.
Abstract
This thesis presents an innovative Federated Learning framework for the analysis of spatiotemporal models, with a specific focus on the COVID-19 pandemic. The methodology utilizes the Approximate Bayesian Computation Sequential Monte Carlo algorithm for parameter estimation, enabling inference in deterministic and stochastic systems where the likelihood function is computationally intractable. The proposed framework was first validated using the Lotka - Volterra and Susceptible - Infected - Recovered (SIR) models before being applied to Episim, an advanced epidemiological model, using data from Spain. To address the high computational demands of Episim simulations, the Dask Distributed framework was integrated to enable parallel processing. The primary objective of this research is to ensure the privacy of sensitive medical data through a federated topology. The results demonstrate that the system effectively converges to the actual epidemiological parameters without the need for raw data exchange. Ultimately, this work provides a tool for real time important epidemiological parameters estimation and highlights the critical role of a federated architecture in managing geographically dispersed and sensitive information sources.
Meeting ID: 972 5703 0368
Password: 000731
