BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20260305T132508Z
LAST-MODIFIED:20260305T132508Z
DTSTAMP:20260307T233933Z
UID:1772919573_8344@tuc.gr
SUMMARY:Διημερίδα Επαγγελματικής Ανάπτυξης γ
 ια Μηχανικούς: Green Careers & Intel
 ligent Recruitment – Η Επόμενη Μέρα 
 |11 & 12 Μαρτίου 2026| Γ2.1
LOCATION:Γ2 - Κτίριο Γ2, Γ2.1
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=8344&cHash=ea5cb5f92721ace
 31ee34d878601e839\nΤο Γραφείο Διασύν
 δεσης και Σταδιοδρομίας  του Πολυτεχ
 νείου Κρήτης διοργανώνει Διημερίδα Ε
 παγγελματικής Ανάπτυξης για Μηχανικο
 ύς, με στόχο την ενημέρωση και ενδυν
 άμωση φοιτητών και νέων μηχανικών σχ
 ετικά με τις σύγχρονες εξελίξεις στη
 ν αγορά εργασίας, τη βιώσιμη ανάπτυξ
 η και τις νέες πρακτικές επιλογής πρ
 οσωπικού. \n 🌱 Τίτλος Διημερίδας: «G
 reen Careers & Intelligent Recru
 itment – Η Επόμενη Μέρα», \n 📅 Τετάρ
 τη 11 Μαρτίου και Πέμπτη 12 Μαρτίου 
 2026 |🕙 ώρες: 13:00 - 16:00\n 📍 Γ2.1
  Αμφιθέατρο,\n Facebook Event\n  \n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260311T130000
DTEND:20260312T160000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
BEGIN:VEVENT
CREATED:20260303T091128Z
LAST-MODIFIED:20260303T091128Z
DTSTAMP:20260307T233933Z
UID:1772919573_8340@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ευαγγέλου Κοτσομύτη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=8340&cHash=c5a856167d0fbd6
 11ce20e89f453ba1d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ευαγγέλου Κοτσο
 μύτη\n με θέμα\n Μια Διαδικτυακή Πλα
 τφόρμα Διαχείρισης Kubernetes για τη
 ν Ενίσχυση της Πρακτικής Μάθησης στη
 ν Εκπαίδευση της Επιστήμης των Υπολο
 γιστών\n A Web-Based Kubernetes Mana
 gement Platform for Enhanced Practic
 al Learning in Computer Science Educ
 ation\n Εξεταστική Επιτροπή\n Αναπλη
 ρωτής Καθηγητής Βασίλειος Σαμολαδάς 
 (επιβλέπων)\n Καθηγητής Ευριπίδης Πε
 τράκης\n Επίκουρος Καθηγητής Νικόλαο
 ς Γιατράκος\n Περίληψη\n Τα επεκτάσι
 μα, απομονωμένα και διαχειρίσιμα υπο
 λογιστικά περιβάλλοντα είναι ολοένα 
 και πιο απαραίτητα στην εκπαίδευση τ
 ης επιστήμης των υπολογιστών, ειδικά
  για μαθήματα που απαιτούν πρακτική 
 διαχείριση συστήματος, πρακτική εξάσ
 κηση DevOps και ανάπτυξη λογισμικού.
  Αυτή η διατριβή παρουσιάζει τον σχε
 διασμό, την υλοποίηση και την αξιολό
 γηση ενός συστήματος διαχείρισης con
 tainer που βασίζεται στο Kubernetes 
 για ακαδημαϊκή χρήση.\n Το σύστημα σ
 υνδυάζει την ενορχήστρωση του Kubern
 etes με web app και υπηρεσίες backen
 d. Οι βασικές δυνατότητες περιλαμβάν
 ουν έλεγχο πρόσβασης βάσει ρόλων, μό
 νιμη αποθήκευση, αυτοματοποιημένη δι
 αχείριση κύκλου ζωής κοντέινερ και π
 ρόσβαση SSH ανά μαθητή. Το backend υ
 λοποιείται στο Spring Boot και το fr
 ontend στο React, με έμφαση στην αντ
 απόκριση και την χρηστικότητα.\n Η α
 νάπτυξη απαιτούσε την αντιμετώπιση π
 ροκλήσεων όπως η διαμόρφωση RBAC, η 
 βελτιστοποίηση εικόνας κοντέινερ, η 
 ενσωμάτωση βάσεων δεδομένων με την P
 ostgreSQL και οι περιορισμοί δικτύωσ
 ης στο Minikube. Αυτά τα ζητήματα επ
 ιλύθηκαν μέσω επαναληπτικής διαμόρφω
 σης, τεκμηρίωσης και αυτοματισμού. Τ
 α αποτελέσματα δείχνουν ότι το Kuber
 netes μπορεί να υποστηρίξει μια πρακ
 τική πλατφόρμα διδασκαλίας που εξισο
 ρροπεί την ασφάλεια, τη χρηστικότητα
  και το λειτουργικό overhead. Η διατ
 ριβή περιγράφει επίσης τους περιορισ
 μούς και τις μελλοντικές εργασίες, σ
 υμπεριλαμβανομένων των αυτοματοποιημ
 ένων ελέγχων ασφαλείας, της υποστήρι
 ξης πολλαπλών συμπλεγμάτων, της βελτ
 ιωμένης παρακολούθησης και των βελτι
 ώσεων UX.\n Abstract \n Scalable, is
 olated, and manageable computing env
 ironments are increasingly necessary
  in computer science education, espe
 cially for courses that require hand
 s-on system administration, DevOps p
 ractice, and software deployment. Th
 is thesis presents the design, imple
 mentation, and evaluation of a Kuber
 netes-based container management sys
 tem for academic use. \n The system 
 combines Kubernetes orchestration wi
 th a web interface and backend servi
 ces. Core capabilities include role-
 based access control, persistent sto
 rage, automated container lifecycle 
 management, and per-student SSH acce
 ss. The backend is implemented in Sp
 ring Boot and the frontend in React,
  with a focus on responsiveness and 
 usability. \n Development required a
 ddressing challenges such as RBAC co
 nfiguration, container image optimiz
 ation, database integration with Pos
 tgreSQL, and networking constraints 
 in Minikube. These issues were resol
 ved through iterative configuration,
  documentation, and automation. The 
 results show that Kubernetes can sup
 port a practical teaching platform t
 hat balances security, usability, an
 d operational overhead. The thesis a
 lso outlines limitations and future 
 work, including automated security c
 hecks, multi-cluster support, enhanc
 ed monitoring, and UX improvements. 
 \n Meeting ID: 922 3498 8102\n Passw
 ord: 101839\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260311T100000
DTEND:20260311T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
BEGIN:VEVENT
CREATED:20260302T103235Z
LAST-MODIFIED:20260302T103235Z
DTSTAMP:20260307T233933Z
UID:1772919573_8338@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Φωτίου Κατσάρη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=8338&cHash=d5a2895085bc4fe
 f371f5eb2689f5cb4\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Φωτίου Κατσάρη\
 n με θέμα\n Πρόβλεψη Φορτίου Συστήμα
 τος Ηλεκτρικής Ενέργειας με χρήση Τε
 χνητής Νοημοσύνης\n Electric Power S
 ystem Load Forecast using Artificial
  Intelligence\n Εξεταστική Επιτροπή\
 n Καθηγητής Γεώργιος Χαλκιαδάκης (Επ
 ιβλέπων)\n Επίκουρος Καθηγητής Γεώργ
 ιος Πέππας\n Καθηγητής Φώτιος Κανέλλ
 ος (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ) \
 n Περίληψη\n Η παρούσα διπλωματική ε
 ργασία πραγματεύεται την πρόβλεψη το
 υ ηλεκτρικού φορτίου σε ένα Σύστημα 
 Ηλεκτρικής Ενέργειας με τη χρήση μεθ
 όδων Τεχνητής Νοημοσύνης. Αρχικά, πα
 ρουσιάζεται η δομή και η λειτουργία 
 του συστήματος ηλεκτρικής ενέργειας,
  καθώς και η σημασία της αξιόπιστης 
 πρόβλεψης φορτίου για τον σχεδιασμό,
  τη λειτουργία και την ασφάλεια του 
 συστήματος. Στη συνέχεια, αναλύονται
  οι βασικές κατηγορίες μεθόδων πρόβλ
 εψης φορτίου, με έμφαση στις μεθόδου
 ς χρονοσειρών και σε άλλα κλασικά μα
 θηματικά μοντέλα.\n Ιδιαίτερη έμφαση
  δίνεται στην Τεχνητή Νοημοσύνη και 
 στις σύγχρονες εξελίξεις της, με ανα
 λυτική παρουσίαση των τεχνητών νευρω
 νικών δικτύων, της δομής, της λειτου
 ργίας και των πλεονεκτημάτων τους έν
 αντι των παραδοσιακών μεθόδων πρόβλε
 ψης. Παρουσιάζεται επίσης ο ρόλος τη
 ς Τεχνητής Νοημοσύνης στα σύγχρονα σ
 υστήματα ηλεκτρικής ενέργειας και ει
 δικότερα στη διαδικασία πρόβλεψης το
 υ ηλεκτρικού φορτίου.\n Στο πειραματ
 ικό μέρος της εργασίας χρησιμοποιούν
 ται δύο εφαρμογές του περιβάλλοντος 
 MATLAB, συγκεκριμένα τα εργαλεία Neu
 ral Network Fitting και Neural Netwo
 rk Time Series. Τα δεδομένα ηλεκτρικ
 ού φορτίου αντλήθηκαν από τον ιστότο
 πο του ΑΔΜΗΕ και αφορούν τα ημερήσια
  φορτία για το έτος 2024, ενώ χρησιμ
 οποιήθηκαν και αντίστοιχα μετεωρολογ
 ικά δεδομένα για την ίδια χρονική πε
 ρίοδο. Πραγματοποιείται ημερήσια πρό
 βλεψη φορτίου εξετάζοντας δύο διαφορ
 ετικές περιπτώσεις, καθώς και διαφορ
 ετικό αριθμό νευρώνων στο κρυφό στρώ
 μα των νευρωνικών δικτύων, με στόχο 
 τη σύγκριση της ακρίβειας και της απ
 όδοσης των μοντέλων. Τα αποτελέσματα
  αναλύονται και αξιολογούνται, αναδε
 ικνύοντας την αποτελεσματικότητα των
  τεχνητών νευρωνικών δικτύων στην πρ
 όβλεψη ηλεκτρικού φορτίου.\n Abstrac
 t \n This diploma thesis focuses on 
 electric power system load forecasti
 ng using Artificial Intelligence tec
 hniques. Initially, the structure an
 d operation of the electric power sy
 stem are presented, highlighting the
  importance of accurate load forecas
 ting for system planning, operation,
  and reliability. Subsequently, the 
 main categories of load forecasting 
 methods are analyzed, with emphasis 
 on time series approaches and other 
 classical mathematical models.\n Spe
 cial attention is given to Artificia
 l Intelligence and its modern develo
 pments, with a detailed analysis of 
 Artificial Neural Networks, includin
 g their structure, operation, and ad
 vantages compared to traditional for
 ecasting methods. The role of Artifi
 cial Intelligence in modern power sy
 stems and specifically in load forec
 asting applications is also discusse
 d.\n In the experimental part of the
  thesis, two MATLAB applications are
  employed, namely Neural Network Fit
 ting and Neural Network Time Series.
  The electric load data were obtaine
 d from the official website of the I
 ndependent Power Transmission Operat
 or (IPTO – ADMIE) and correspond to 
 daily load values for the year 2024,
  while relevant meteorological data 
 for the same period were also incorp
 orated. Daily load forecasting is pe
 rformed by examining two different s
 cenarios and varying the number of n
 eurons in the hidden layer of the ne
 ural networks, aiming to evaluate an
 d compare the performance and accura
 cy of the developed models. The resu
 lts are analyzed and assessed, demon
 strating the effectiveness of artifi
 cial neural networks in electric loa
 d forecasting.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260317T113000
DTEND:20260317T123000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
BEGIN:VEVENT
CREATED:20260302T085628Z
LAST-MODIFIED:20260302T085628Z
DTSTAMP:20260307T233933Z
UID:1772919573_8337@tuc.gr
SUMMARY:Career Day με την εταιρεία EY - Τεχν
 ητή Νοημοσύνη & Αγορά Εργασίας | Παρ
 ασκευή 6 Μαρτίου 2026 | ώρα: 13:00 |
  Γ2.1 Αμφιθέατρο
LOCATION:Γ2 - Κτίριο Γ2
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=8337&cHash=d7286bfdfad2ff4
 e59bbeecb5802147a\nTo Γραφείο Διασύν
 δεσης και Σταδιοδρομίας του Πολυτεχν
 είου Κρήτης διοργανώνει στο πλαίσιο 
 της δράσης #CareerDay@TUC Career Off
 ice,  \n 🎯 Career Day with EY Greece
 \n “Τεχνητή Νοημοσύνη & Αγορά Ερ
 γασίας”\n 📅 Παρασκευή  6 Μαρτίου  20
 26,  ⏰ώρα 13:00 \n Γ2.1 Αμφιθέατρο “
 Μανούσος Μανουσάκης”\n Facebook Even
 t\n Οι συμμετέχοντες προπτυχιακοί κα
 ι μεταπτυχιακοί φοιτητές του Πολυτεχ
 νείου Κρήτης θα έχουν την ευκαιρία ν
 α γνωρίσουν την εταιρεία EY Greece κ
 αι τα στελέχη της, τις ευκαιρίες απα
 σχόλησης σε σύγχρονους τομείς της τε
 χνολογίας και της διοίκησης, τις δεξ
 ιότητες που απαιτούνται στη σύγχρονη
  αγορά εργασίας και να εμπνευστούν α
 πό πραγματικές ιστορίες επιτυχίας.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260306T130000
DTEND:20260306T160000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
BEGIN:VEVENT
CREATED:20260225T122341Z
LAST-MODIFIED:20260225T122341Z
DTSTAMP:20260307T233933Z
UID:1772919573_8334@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Φιλίας Μαυρικάκη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=8334&cHash=4e4f75d9e993882
 becf74b58272a943e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Φιλίας Μαυρικάκ
 η\n με θέμα\n Ομοσποδιακή Βαεσιανή Μ
 άθηση για Επιδημιολογική Μοντελοποίη
 ση\n Federated Bayesian Learning for
  Epidemiological Modeling\n Εξεταστι
 κή Επιτροπή\n Καθηγητής Βασίλειος Σα
 μολαδάς (επιβλέπων)\n Καθηγητής Θρασ
 ύβουλος Σπυρόπουλος \n Καθηγητής Γεώ
 ργιος Χαλκιαδάκης     \n Περίληψη\n 
 Η πρόσφατη κρίση του COVID-19 κατέδε
 ιξε την επιτακτική ανάγκη για ακριβή
  και έγκαιρη επιδημιολογική μοντελοπ
 οίηση. Τα σύγχρονα υπολογιστικά μοντ
 έλα, και συγκεκριμένα η Μικροσκοπική
  Προσέγγιση Μαρκοβιανών Αλυσίδων (Mi
 croscopic Markov Chain Approach - MM
 CA), προσφέρουν τη δυνατότητα λεπτομ
 ερούς προσομοίωσης της εξάπλωσης ιών
 , λαμβάνοντας υπόψη κρίσιμες παραμέτ
 ρους όπως η ηλικιακή διαστρωμάτωση τ
 ου πληθυσμού, τα μοτίβα κινητικότητα
 ς και η κατάσταση της νόσου σε ατομι
 κό επίπεδο. Ωστόσο, η αποτελεσματικό
 τητα αυτών των μοντέλων εξαρτάται άμ
 εσα από την πρόσβαση σε εξαιρετικά ε
 υαίσθητα, μικροσκοπικά δεδομένα υγεί
 ας και μετακίνησης.\n Εδώ προκύπτει 
 μια θεμελιώδης σύγκρουση: η ανάγκη γ
 ια συλλογή δεδομένων σε κεντρικούς δ
 ιακομιστές για την εκπαίδευση των μο
 ντέλων προσκρούει στις αυστηρές νομο
 θετικές ρυθμίσεις προστασίας προσωπι
 κών δεδομένων (όπως ο GDPR). Παράλλη
 λα, οι παραδοσιακές μέθοδοι Μηχανική
 ς Μάθησης (Machine Learning) και Ομο
 σπονδιακής Μάθησης (Federated Learni
 ng) που βασίζονται στην ανταλλαγή πα
 ραγώγων (gradients) μέσω της καθόδου
  κλίσης (Gradient Descent), καθίσταν
 ται ανεπαρκείς. Ο λόγος είναι ότι οι
  σύγχρονοι επιδημιολογικοί προσομοιω
 τές (όπως ο EpiSim.jl) παρουσιάζουν 
 στοχαστική και μη-διαφορίσιμη συμπερ
 ιφορά, καθιστώντας αδύνατο τον άμεσο
  υπολογισμό παραγώγων.\n Η παρούσα δ
 ιπλωματική εργασία προτείνει και υλο
 ποιεί Μπεϋζιανή Ομοσπονδιακή Μάθηση 
 (Bayesian Federated Learning - BFL),
  με σκοπό  τη βελτιστοποίηση επιδημι
 ολογικών προσομοιώσεων σε κατανεμημέ
 να περιβάλλοντα που διασφαλίζουν την
  ιδιωτικότητα. Η προσέγγιση αυτή επι
 λύει το πρόβλημα της εκτίμησης παραμ
 έτρων (parameter estimation) χωρίς ν
 α απαιτείται η μεταφορά των πρωτογεν
 ών δεδομένων των ασθενών.\n Κεντρικό
 ς πυλώνας της μεθοδολογίας είναι η χ
 ρήση της Προσεγγιστικής Μπεϋζιανής Υ
 πολογιστικής (Approximate Bayesian C
 omputation - ABC) βασισμένης σε Ακολ
 ουθιακές Μεθόδους Μόντε Κάρλο (Seque
 ntial Monte Carlo - SMC). Ο αλγόριθμ
 ος Federated ABC-SMC που αναπτύχθηκε
 , επιτρέπει την εκτίμηση των εκ των 
 υστέρων κατανομών (posterior distrib
 utions) των επιδημικών παραμέτρων μέ
 σω της σύγκρισης προσομοιωμένων δεδο
 μένων με τα πραγματικά τοπικά δεδομέ
 να.\n Η αρχιτεκτονική του συστήματος
  ακολουθεί μια τοπολογία αστέρα (sta
 r topology) και διακρίνεται σε τρεις
  βασικές οντότητες: τον Κεντρικό Συν
 τονιστή(Coordinator), ο οποίος διαχε
 ιρίζεται τον πληθυσμό των υποψήφιων 
 παραμέτρων (particles) και συντονίζε
 ι τη διαδικασία συμπερασματολογίας, 
 τους  Εργάτες Προσομοίωσης (Simulati
 on Workers) οι οποίοι εκτελούν τον π
 ροσομοιωτή EpiSim.jl (υλοποιημένο σε
  γλώσσα Julia) για να παράγουν συνθε
 τικά δεδομένα βάσει των προτεινόμενω
 ν παραμέτρων και τους  Ομοσπονδιακού
 ς Κόμβους (Federated Sites) που αποτ
 ελούν τους τοπικούς φορείς που κατέχ
 ουν τα ευαίσθητα πραγματικά δεδομένα
 . Οι κόμβοι αυτοί λαμβάνουν τα αποτε
 λέσματα της προσομοίωσης, τα συγκρίν
 ουν τοπικά με τα δεδομένα τους και ε
 πιστρέφουν στον Συντονιστή μόνο μία 
 κλιμακωτή τιμή σφάλματος (distance m
 etric), προστατεύοντας έτσι την ιδιω
 τικότητα των ατόμων (αρχιτεκτονική "
 Code-to-Data").\n Για την αντιμετώπι
 ση του υψηλού υπολογιστικού κόστους 
 των προσομοιώσεων, το σύστημα υλοποι
 ήθηκε με χρήση του πλαισίου κατανεμη
 μένου υπολογισμού Ray.io. Αυτό επέτρ
 εψε την ασύγχρονη και παραλληλοποιημ
 ένη εκτέλεση χιλιάδων προσομοιώσεων,
  μειώνοντας δραματικά τον χρόνο εκτέ
 λεσης (από ημέρες σε ώρες). Αναπτύχθ
 ηκε επίσης μια διεπαφή (wrapper) σε 
 Python για τη διασύνδεση του αλγορίθ
 μου ABC-SMC με τον προσομοιωτή EpiSi
 m.jl.\n Η εγκυρότητα του πλαισίου πι
 στοποιήθηκε με χρήση πραγματικών δεδ
 ομένων COVID-19 και κινητικότητας απ
 ό την Ισπανία. Τα πειραματικά αποτελ
 έσματα έδειξαν ότι o αλγόριθμος συγκ
 λίνει με επιτυχία στις πραγματικές τ
 ιμές των παραμέτρων (ground truth), 
 όπως ο ρυθμός μετάδοσης (β) και οι π
 αράγοντες κοινωνικής αποστασιοποίηση
 ς.Η ακρίβεια της εκτίμησης διατηρείτ
 αι υψηλή ακόμη και όταν τα δεδομένα 
 είναι διαμοιρασμένα σε πολλαπλούς κό
 μβους (σενάρια 2 και 4 κόμβων). Η ιδ
 ιωτικότητα διασφαλίζεται καθώς καμία
  πληροφορία σε επίπεδο ατόμου ή τοπι
 κού πληθυσμού δεν εξέρχεται από τους
  ομοσπονδιακούς κόμβους. Συμπερασματ
 ικά, η εργασία αυτή γεφυρώνει το χάσ
 μα μεταξύ των προηγμένων επιδημιολογ
 ικών αλγορίθμων και των απαιτήσεων ι
 διωτικότητας, προσφέροντας ένα προσα
 ρμόσιμο και ασφαλές μοντέλο για την 
 επιτήρηση πανδημιών σε εθνικό ή διεθ
 νές επίπεδο.\n Abstract \n The recen
 t COVID-19 crisis highlighted the ur
 gent need for accurate and timely ep
 idemiological modeling.  Modern epid
 emiological modeling increasingly re
 lies on high-resolution simulators, 
 such as the Microscopic Markov Chain
  Approach (MMCA), which require gran
 ular mobility and health data to acc
 urately estimate epidemic dynamics.T
 hey provide detailed  understanding 
 for age-classified transmission and 
 mobility information. However, it re
 lies on the analysis of sensitive lo
 calized data. Epidemiological simula
 tors exhibit stochastic, non-differe
 ntiable dynamics. Centralized method
 s can't ensure privacy, while Federa
 ted Learning algorithms  that rely o
 n a gradient descent, are incompatib
 le.\n This thesis proposes a solutio
 n for the problem of parameter estim
 ation of state-of-the-art epidemiolo
 gical modeling in a federated settin
 g. A central pillar of the methodolo
 gy is the use of Approximate Bayesia
 n Computation based on Sequential Mo
 nte Carlo (ABC-SMC) methods.  We int
 roduce a variation of this algorithm
  (ABC-SMC) using Federated architect
 ure to estimate the posterior distri
 butions of epidemic parameters enabl
 ing likelihood-free inference withou
 t transferring raw data between site
 s. The proposed architecture employs
  a star-topology federated system in
  which local nodes execute simulatio
 ns using the EpiSim.jl epidemiologic
 al simulator, while a central coordi
 nator aggregates distance metrics to
  approximate posterior parameter dis
 tributions. To validate this system,
  we created distinct federated sites
  that work as client nodes by using 
 Real-world data from Covid-19 in Spa
 in. To address the high computationa
 l cost of simulations, the system wa
 s implemented using the Ray.io distr
 ibuted computing framework. This ena
 bled asynchronous and parallel execu
 tion of thousands of simulations, dr
 amatically reducing execution time (
 from days to hours). A Python wrappe
 r interface was also developed to co
 nnect the ABC-SMC algorithm with the
  EpiSim.jl simulator.\n The validity
  of the framework was verified using
  real COVID-19 and mobility data fro
 m Spain. Experimental results showed
  that the algorithm successfully con
 verges to the true parameter values 
 (ground truth), such as the transmis
 sion rate and social distancing fact
 ors. Estimation accuracy remains hig
 h even when data are distributed acr
 oss multiple nodes (2-site and 4-sit
 e scenarios). Privacy is preserved, 
 as no individual-level or local popu
 lation information leaves the federa
 ted sites. In conclusion, this work 
 bridges the gap between advanced epi
 demiological algorithms and privacy 
 requirements, offering an adaptable 
 and secure model for pandemic survei
 llance at national or international 
 scale. The results show that the Fed
 erated ABC-SMC algorithm successfull
 y recovers our observed data without
  the raw data being shared. This wor
 k connects the known algorithms used
  for epidemiological modeling and th
 e safety, regarding privacy, of a fe
 derated environment. \n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260303T170000
DTEND:20260303T180000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR