Εκπαίδευση και εφαρµογή κατανεµηµένων federated µοντέλων µηχανικής µάθησης σε συσκευές χαµηλής ισχύος και περιορισµένων πόρων για υπολογιστική στο άκρο
| datacite.contributor.RelatedPerson | Ιωάννης Γαροφαλάκης | |
| datacite.contributor.RelatedPerson | Σπύρος Σιούτας | |
| datacite.contributor.Supervisor | Ανδρέας Κομνηνός | |
| dc.contributor.author | Ανδριανόπουλος, Νίκος | |
| dc.contributor.other | Andrianopoulos, Nikos | |
| dc.date.accessioned | 2025-10-29T06:12:13Z | |
| dc.date.available | 2025-10-29T06:12:13Z | |
| dc.date.issued | 2025-10-17 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η Ομοσπονδιακή Μάθηση (Federated Learning – FL) είναι μια κατανεμημένηπροσέγγιση μηχανικής μάθησης που επιτρέπει σε πολλούς πελάτες—όπως αισθητήρες, τερματικά σταθμών ή κινητές συσκευές—να εκπαιδεύσουν από κοινού ένα κοινό μοντέλο χωρίς να αποστέλλουν τα ακατέργαστα δεδομένα τους σε έναν κεντρικό διακομιστή. Αντίθετα, κάθε πελάτης υπολογίζει τοπικά τις ενημερώσεις του μοντέλου με βάση τα δικά του δεδομένα και κοινοποιεί μόνο τις παραμέτρους ή τα διανύσματαβαθμίδωσης (gradients). Αυτό επιτρέπει την προστασία της ιδιωτικότητας και ταυτόχρονα μειώνει την κατανάλωση εύρους ζώνης. Ωστόσο, τα παραδοσιακά συστήματα FL βασίζονται συχνά σε έναν πλήρως κεντρικοποιημένο διακομιστή για τον συντονισμό της επικοινωνίας και τη συγκέντρωση των ενημερώσεων από όλους τους πελάτες.Αυτό δημιουργεί πιθανά σημεία συμφόρησης, περιορισμούς στην κλιμάκωση και έναμοναδικό σημείο αποτυχίας—ζητήματα κρίσιμης σημασίας σε μεγάλα και δυναμικάπεριβάλλοντα όπως οι έξυπνες πόλεις.Για να αντιμετωπιστούν αυτές οι προκλήσεις, η παρούσα εργασία προτείνει μια μερικώς αποκεντρωμένη αρχιτεκτονική FL για συστήματα κοινής χρήσης ποδηλάτων σε αστικά περιβάλλοντα. Σε αντίθεση με τις πλήρως κεντρικοποιημένες ή πλήρωςομότιμες (peer-to-peer) προσεγγίσεις, η μεθοδολογία μας ομαδοποιεί τους πελάτεςσε σταθερές γειτονιές με βάση τη χωρική τους εγγύτητα.Μέσα σε κάθε γειτονιά, ένας προκαθορισμένος κόμβος-ηγέτης πραγματοποιεί τοπικήσυγκέντρωση των ενημερώσεων. Ένας ελαφρύς δρομολογητής (router) αναλαμβάνειστη συνέχεια τον συντονισμό της επικοινωνίας μεταξύ των ηγετών, ελαχιστοποιώντας την ανάγκη για συχνή παγκόσμια συγκέντρωση και μειώνοντας το συνολικό επικοινωνιακό κόστος.Αξιολογούμε το προτεινόμενο σύστημα χρησιμοποιώντας πραγματικά δεδομένα διαδρομών από το Citi Bike της Νέας Υόρκης, εμπλουτισμένα με μετεωρολογικές πληροφορίες. Σε σύγκριση με ένα κεντρικοποιημένο μοντέλο αναφοράς της ίδιας αρχιτεκτονικής, η ομοσπονδιακή προσέγγισή μας επιτυγχάνει μείωση του Μέσου Απόλυτου Σφάλματος (MAE) κατά 26.9%. Τα αποτελέσματα αυτά αναδεικνύουν την αποτελεσματικότητα της αρχιτεκτονικής FL βάσει γειτονιών στην ενίσχυση της προβλεπτικής ακρίβειας, καθώς και στη βελτίωση της κλιμακωσιμότητας και της αποδοτικότητας επικοινωνίας—παράγοντες κλειδιά για την εφαρμογή μηχανικής μάθησης σε έξυπνες πόλεις με περιορισμένους υπολογιστικούς πόρους. | |
| dc.description.translatedabstract | Federated Learning (FL) is a distributed machine learning approach that enables multiple clients—such as sensors, kiosks, or mobile devices—to collaboratively train a shared model without sending raw data to a central server. Instead, each client computes local model updates based on its own data and shares only the resulting parameters or gradients. This allows for privacy-preserving learning while reducing bandwidth consumption. Traditional FL systems, however, often rely on a fully centralized server to orchestrate communication and aggregate updates from all clients. This introduces potential bottlenecks, scalability limitations, and a single point of failure—issues that become critical in large, dynamic environments such as smart cities.To address these challenges, this paper proposes a partially decentralized Federated Learning (FL) architecture for urban bike-sharing systems. Unlike fully centralized or fully peer-to-peer FL approaches, our method groups clients into fixed neighborhoods based on spatial locality. Within each neighborhood, a designated leader performs local aggregation of client updates. A lightweight router node then coordinates communication between neighborhood leaders, minimizing the need for frequent global aggregation and reducing overall communication overhead.We evaluate our system using real-world New York City Citi Bike trip datacombined with weather information. Compared to a centralized baseline modelof identical architecture, our federated setup achieves a 26.9% reduction in Mean Absolute Error (MAE). These results highlight the effectiveness of our neighborhoodbased FL architecture in improving predictive accuracy while enhancing scalability and communication efficiency—key factors for deploying machine learning in resourceconstrained smart city infrastructures. | |
| dc.identifier.uri | https://hdl.handle.net/10889/30870 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Ομοσπονδιακή μάθηση | |
| dc.subject | Ομότιμα συστήματα | |
| dc.subject | Αποκεντρωμένα συστήματα | |
| dc.subject | Τοπολογία επικοινωνίας | |
| dc.subject | Νοημοσύνη στο άκρο | |
| dc.subject | Έξυπνες πόλεις | |
| dc.subject | Κοινόχρηστα ποδήλατα | |
| dc.subject.alternative | Federated learning | |
| dc.subject.alternative | Peer-to-peer | |
| dc.subject.alternative | Decentralized systems | |
| dc.subject.alternative | Communication topology | |
| dc.subject.alternative | Edge intelligence | |
| dc.subject.alternative | Smart cities | |
| dc.subject.alternative | Bike sharing | |
| dc.title | Εκπαίδευση και εφαρµογή κατανεµηµένων federated µοντέλων µηχανικής µάθησης σε συσκευές χαµηλής ισχύος και περιορισµένων πόρων για υπολογιστική στο άκρο | |
| dc.title.alternative | Training and deploying distributed federated machine learning models on low-power and resource-constrained devices for edge computing |