Σχεδίαση και μελέτη αλγορίθμων αντιστοίχισης για την βελτιστοποίηση της επίδοσης Ομοσπονδιακής Μάθησης
Πολλαπλών Μοντέλων

Μυστριώτης, Γεώργιος; George, Mystriotis

dc.contributor.author	Μυστριώτης, Γεώργιος	el
dc.contributor.author	George, Mystriotis	en
dc.date.accessioned	2025-05-30T11:02:24Z
dc.date.available	2025-05-30T11:02:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61985
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29681
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ομοσπονδοιακή Μάθηση	el
dc.subject	Αλγόριθμοι Αντιστοίχισης	el
dc.subject	Θεωρία Παιγνίων	el
dc.subject	Ενισχυτική Μάθηση	el
dc.subject	Μετανοητική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Federated Learning	en
dc.subject	Matching Algorithms	en
dc.subject	Game Theory	en
dc.subject	Reinforcement Learning	en
dc.subject	Regret Learning	en
dc.subject	Neural Networks	en
dc.title	Σχεδίαση και μελέτη αλγορίθμων αντιστοίχισης για την βελτιστοποίηση της επίδοσης Ομοσπονδιακής Μάθησης Πολλαπλών Μοντέλων	el
heal.type	bachelorThesis
heal.classification	Computer Engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-19
heal.abstract	Με την ευρύτερη εφαρμογή της Ομοσπονδιακής Μάθησης (Federated Learning) η επιλογή κόμβων από εξυπηρετητές αποτελεί κρίσιμο πρόβλημα και ειδικότερα σε περιβάλλοντα όπου συ- νυπάρχουν πολλαπλοί εξυπηρετητές. Μέχρι τώρα μελέτες επικεντρώνονται στην επιλογή κόμβων από έναν εξυπηρετητή, για την εκπαίδευση του παγκόσμιου μοντέλου του. Σε αυτή την εργασία προεκτείνουμε την λογική αυτή και αντιμετωπίζουμε την αντιστοίχιση κόμβων - εξυπηρετητών σε ένα περιβάλλον Ομοσπονδιακής Μάθησης πολλαπλών εξυπηρετητών, με στόχο την μεγιστο- ποίηση των χρησιμοτήτων κόμβων και εξυπηρετητών και ως προέκταση της επίδοσης των συγκε- ντρωτικών μοντέλων. Κάθε ένας από τους εξυπηρετητές εκπαιδεύει ένα ξεχωριστό μοντέλο, ενώ οι κόμβοι διαθέτουν διαφορετική πληροφορία, συνεπώς για κάθε εξυπηρετητή έχουν διαφορετική σημασία. Σε αυτό το πλαίσιο κατασκευάζουμε και μελετάμε αλγορίθμους αντιστοίχισης σε διάφο- ρα σενάρια ώστε να γίνουν εμφανή τα πλεονεκτήματα και μειονεκτήματα τους. Ως εφαρμογή ενός τέτοιου προβλήματος μελετάμε σενάρια εντοπισμού φυσικών κινδύνων (πυρκαγιών, πλημμυρών, σεισμών), μέσω φωτογραφιών, σε ένα περιβάλλον Έξυπνης Πόλης - Δημόσιας Ασφάλειας. Για τους αλγορίθμους αντιστοίχισης καταφεύγουμε στη Θεωρία Παιγνίων (Game Theory), Ε- νισχυτική Μάθηση (Reinforcement Learning) και στη Μετανοητική Μάθηση (Regret Learning), και στη συνέχεια εκτελούμε τη διαδικασία της Ομοσπονδιακής Μάθησης για να λάβουμε και να συγκρίνουμε τα αποτελέσματά μας. Για τους αλγορίθμους Μετανοητικής Μάθησης που προτεί- νουμε, δίνουμε επιπλέον ελευθερία στους κόμβους μας να διαμορφώσουν την συμμετοχή τους στην διαδικασία της Ομοσπονδιακής Μάθησης ανάλογα με το συμφέρον τους. Μέσω πειραμάτων και συγκρίσεων των διαφόρων αλγορίθμων, καταλήγουμε πως ο αλγόριθμος Θεωρίας Παιγνίων υπερέχει των αλγορίθμων Ενισχυτικής Μάθησης και της Τυχαίας Αντιστοίχισης, επιτυγχάνοντας υψηλότερες χρησιμότητες για τους κόμβους και εξυπηρετητές και καλύτερες επιδόσεις για τα πα- γκόσμια μοντέλα. Αντίστοιχα, οι αλγόριθμοι Μετανοητικής Μάθησης, με την επιπλέον ιδιότητά τους να διαμορφώνουν την συμμετοχή των κόμβων στην Ομοσπονδιακή Μάθηση, παρουσιάζουν ακόμη καλύτερες χρησιμότητες, πλησιάζοντας την απόδοση των παγκόσμιων μοντέλων του αλγο- ρίθμου Θεωρίας Παιγνίων με χρήση πολύ λιγότερων δεδομένων και ενέργειας.	el
heal.abstract	With the development and broader application of Federated Learning, the problem of node selection by the corresponding server becomes more prominent. Specifically, in environments where more than one server coexists, such a process is critical. So far, studies have focused on node selection from the perspective of a single server to train its global model. In this thesis, we extend this logic and address the problem of node - server assignment in a Federated Learning environment with multiple servers and models. The goal is to maximize the utilities of both nodes and servers and, consequently, the performance of the global models. Each server trains a distinct model, while the nodes hold different data, and therefore have varying significance/importance for each server. Within this framework, we study and design matching algorithms across various scenarios to highlight the advantages and disadvantages of each. To provide a realistic application of such a problem, we examine scenarios involving the detection of natural hazards (fires, floods, earthquakes) through images in a Smart City – Public Safety environment. For the matching algorithms, we construct algorithms based on Game Theory, Reinforcement Learning, and Regret Learning. We then execute the Federated Learning process to obtain and compare our results. For the proposed Regret Learning algorithms, we offer additional flexibility to the nodes, allowing them to adjust their participation and the resources they allocate to the Federated Learning process based on their interests (utility). Through experiments and comparisons of the various algorithms, we conclude that the Game Theory matching algorithm outperforms the Reinforcement Learning algorithms and Random Matching, achieving higher utilities for both nodes and servers as well as better performance for the global models. Similarly, the Regret Learning algorithms, with their additional ability to shape node participation in Federated Learning, demonstrate even better utilities, approaching the performance of the global models produced by the Game Theory algorithm while using significantly less data and energy.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.advisorName	Papavassiliou, Symeon	en
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Τσιροπούλου, Ειρήνη Ελένη	el
heal.committeeMemberName	Papavassiliou, Symeon	en
heal.committeeMemberName	Roussaki, Ioanna	en
heal.committeeMemberName	Tsiropoulou, Eirini Eleni	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	103 σ.	el
heal.fullTextAvailability	false