Towards understanding privacy-aware artificial intelligence

Tritsarolis, Andreas; Τριτσαρώλης, Ανδρέας

dc.contributor.author	Tritsarolis, Andreas	en
dc.contributor.author	Τριτσαρώλης, Ανδρέας	el
dc.date.accessioned	2022-11-18T09:27:37Z
dc.date.available	2022-11-18T09:27:37Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56160
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23858
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Machine Learning	en
dc.subject	Privacy-Preservation	en
dc.subject	Federated Learning	en
dc.subject	Mobility Data Analytics	en
dc.subject	Vessel Route Forecasting	en
dc.subject	Vessel Traffic Flow Forecasting	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Διατήρηση Απορρήτου-Ιδιωτικότητας	el
dc.subject	Ομοσπονδιακή Μάθηση	el
dc.subject	Αναλυτική Κινούμενων Δεδομένων	el
dc.subject	Πρόβλεψη Διαδρομής Πλοίου	el
dc.subject	Πρόβλεψη Κυκλοφοριακής Ροής Πλοίων	el
dc.title	Towards understanding privacy-aware artificial intelligence	en
heal.type	bachelorThesis
heal.secondaryTitle	From Intuition to Application	en
heal.classification	Computer Science	en
heal.classification	Επιστήμη των Υπολογιστών	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-16
heal.abstract	Η Τεχνητή Νοημοσύνη (Artificial Intelligence -- AI), και πιο συγκεκριμένα η Μηχανική Μάθηση (Machine Learning -- ML), υιοθετείται ευρέως σε πολλές πτυχές της καθημερινότητάς μας, με τα δεδομένα να παίζουν καθοριστικό ρόλο στην επιτυχία της. Καθώς οι συσκευές Internet of Things (IoT) παράγουν τεράστιες ποσότητες δεδομένων με ιλλιγιώδεις ταχύτητες, προκύπτει μια πρόκληση όσον αφορά τα ζητήματα ιδιωτικότητας-απορρήτου και τους υπολογιστικούς πόρους. Ορισμένα δεδομένα ενχεδομένως να περιέχουν ευαίσθητες πληροφορίες (π.χ. ιατρικά αρχεία) και να μη δύνανται να είναι διαθέσιμα σε ανοικτά αποθετήρια, ενώ άλλα είναι τόσο ογκώδη που δεν μπορούν να χρησιμοποιηθούν σε ένα σύστημα κεντρικοποιημένης αρχιτεκτονικής για την εκπαίδευση ενός μοντέλου. Η Ομοσπονδιακή Μάθηση (Federated Learning -- FL) προτάθηκε από την Google το 2016, προκειμένου να αντιμετωπίσει τις παραπάνω προκλήσεις. Εν ολίγοις, είναι μια προσέγγιση που επιτρέπει σε ένα μοντέλο να εκπαιδευτεί σε δεδομένα που δεν κατέχουμε και δεν μπορούμε να δούμε. Τα δεδομένα που δημιουργούνται από edge devices (π.χ. smartphone) αποθηκεύονται τοπικά και δεν κοινοποιούνται σε άλλους κόμβους στο δίκτυο ή τον κεντρικό διακομιστή. Αντίθετα, μόνο οι ενημερώσεις των τοπικών μοντέλων κοινοποιούνται και συγκεντρώνονται προκειμένου να δημιουργηθεί ένα ενιαίο μοντέλο. Σε αυτή τη διατριβή, κατανοούμε την Ομοσπονδιακή Μάθηση τόσο θεωρητικά όσο και αλγοριθμικά. Επιπλέον, συγκρίνουμε τα πλεονεκτήματα και τα μειονεκτήματά της με την κεντρικοποιημένη προσέγγιση, στο πλαίσιο της Πρόβλεψης Διαδρομής Πλοίου (Vessel Route Forecasting) και Κυκλοφοριακής Ροής (Vessel Traffic Flow Forecasting).	el
heal.abstract	Artificial Intelligence, and more specifically Machine Learning, is broadly adopted in many aspects of our daily lives, with data playing a crucial role in its success. While Internet of Things (IoT) devices generate massive amounts of data at high velocity, a challenge arises when privacy and computational resources are concerned. Some data may be quite sensitive (e.g., medical records) and cannot be openly available, while others are so voluminous that cannot be used in a centralized fashion to train a model. Federated Learning was proposed by Google in 2016 to address the aforementioned challenges. In a nutshell, it is an approach that allows a model to be trained on data we do not own and cannot see. The data generated by edge devices (e.g., smartphones) are stored locally and never shared with other nodes on the network or a central server. Instead, only model updates are shared and aggregated in order to construct a global model. In this thesis, we understand Federated Learning from both a theoretical and algorithmic perspective and compare its advantages and disadvantages to the centralized approach within the context of Vessel Route and Traffic Flow Forecasting.	en
heal.advisorName	Kollias, Stefanos	en
heal.committeeMemberName	Kollias, Stefanos	en
heal.committeeMemberName	Theodoridis, Yannis	en
heal.committeeMemberName	Stamou, George	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	71 σ.	el
heal.fullTextAvailability	false