Ενιαία κατανομή πόρων και επιλογή δεδομένων με βάση τη σημαντικότητα σε ασύρματα δίκτυα NOMA ομόσπονδης μάθησης

Protogeros, Ioannis; Πρωτόγερος, Ιωάννης

dc.contributor.author	Protogeros, Ioannis	el
dc.contributor.author	Πρωτόγερος, Ιωάννης	en
dc.date.accessioned	2025-02-04T10:32:44Z
dc.date.available	2025-02-04T10:32:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61063
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28759
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ομόσπονδη Μάθηση	el
dc.subject	Ενεργειακή Απόδοση	el
dc.subject	Κατανομή πόρων	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Δίκτυα 6ης γενιάς	el
dc.subject	Federated Learning	en
dc.subject	Energy Efficiency	en
dc.subject	Resource Allocation	en
dc.subject	Machine Learning	en
dc.subject	6th generation Networks	en
dc.title	Ενιαία κατανομή πόρων και επιλογή δεδομένων με βάση τη σημαντικότητα σε ασύρματα δίκτυα NOMA ομόσπονδης μάθησης	el
heal.type	bachelorThesis
heal.classification	Βελτιστοποίηση Δικτύων	el
heal.classification	Ομόσπονδη Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-07
heal.abstract	Η Ομόπονδη Μάθηση αποτελεί έναν κατανεμημένο αλγόριθμο Μηχανικής Μάθησης κατά τον οποίο οι συμμετέχοντες εκπαιδεύουν συλλογικά ένα νευρωνικό δίκτυο χωρίς να διαμοιράζουν τα τοπικά τους δεδομένα, αλλά αποστέλλοντας μόνο τις ανανεώσεις του μοντέλου κατά την εκπαίδευσή του σε αυτά. Αυτό αποτελεί λύση στα προβλήματα ιδιωτικότητας και χρονικής καθυστέρησης που θα παρουσίαζε η αποστολή των δεδομένων σε έναν εξυπηρετητή για κεντροποιημένη εκπαίδευση, όμως εγείρονται ζητήματα για την ενεργειακή αποδοτικότητα, εφόσον οι συμμετέχοντες εκτελόυν διεργασίες που περιέχουν αξιόλογο τόσο υπολογιστικό όσο και επικοινωνιακό φόρτο. Προς αυτήν την κατεύθυνση, καταφεύγουμε σε μεθόδους Κλασικής Βελτιστοποίησης για να διατυπώσουμε μεθοδολογίες και αλγορίθμους που επιλύουν αποδοτικά το πρόβλημα της ενεργειακά αποδοτικής ανάθεσης πόρων και επιλογής δεδομένων για την Ομόσπονδη Μάθηση, για τη μοντελοποίηση του οποίου θα αξιοποιήσουμε την μετρική της σημαντικότητας των δεδομένων που αποτελεί ένδειξη για την συνεισφορά του κάθε δείγματος στην μάθηση του μοντέλου.	el
heal.abstract	Federated Learning is a distributed Machine Learning framework in which participants collectively train a neural network without sharing their local data, by only sending updates of the model parameters during local training. This is a solution to the privacy and time delay problems of sending data to a server for centralized training. Still, it raises energy efficiency issues since participants perform processes with considerable computational and communication overhead. Towards this end, we resort to Classical Optimization techniques to formulate methodologies and algorithms that efficiently solve the problem of energy-efficient radio and computing resource allocation and data selection for Federated Learning, for the modelling of which we utilize the metric of data importance, which provides an indication of each sample's contribution to model learning.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Στάη, Ελένη	el
heal.committeeMemberName	Καρυώτης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.	el
heal.fullTextAvailability	false