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:20250506T105352Z
LAST-MODIFIED:20250506T105352Z
DTSTAMP:20260809T134955Z
UID:1786272595@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ιωάννη Χριστοφιλογιάννη - 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=7666&cHash=0e2f18b257fce8e
 bab166bbf8ad2e4ba\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Χριστοφι
 λογιάννη\n με θέμα\n Επιλογή Χαρακτη
 ριστικών στο Περιβάλλον του Federate
 d Machine Learning\n Feature Selecti
 on in the Federated Machine Learning
  Setting\n Εξεταστική Επιτροπή\n Καθ
 ηγητής Σωτήριος Ιωαννίδης (επιβλέπων
 )\n Καθηγητής Θρασύβουλος Σπυρόπουλο
 ς \n Αναπληρωτής Καθηγητής Βασίλειος
  Σαμολαδάς \n Περίληψη\n Αυτή η διπλ
 ωματική εργασία παρουσιάζει δύο κύρι
 ες συνεισφορές για την προώθηση της 
 έρευνας στην Ομοσπονδιακή Μάθηση (FL
 ): Feature Election και το σύστημα F
 LEx. Το Feature Election είναι ένας 
 νέος ομοσπονδιακός (federated) αλγόρ
 ιθμος επιλογής χαρακτηριστικών που ε
 πιτρέπει στις παραδοσιακές μεθόδους 
 επιλογής χαρακτηριστικών (FS) να λει
 τουργούν σε οριζόντια ομοσπονδιακά π
 εριβάλλοντα χωρίς να αλλάζει η βασικ
 ή τους λογική. Ο αλγόριθμος αξιοποιε
 ί διανύσματα ψήφων που δημιουργούντα
 ι από τους πελάτες με βαθμολογίες πρ
 οτίμησης, διατηρώντας παράλληλα το α
 πόρρητο των δεδομένων, χρησιμοποιώντ
 ας μια παράμετρο βαθμού ελευθερίας π
 ου ελέγχει το πλήθος των χαρακτηριστ
 ικών που επιλέγονται. Η δεύτερη συνε
 ισφορά, το FLEx (Federated Learning 
 Exchange), είναι ένα ολοκληρωμένο σύ
 στημα που συνδυάζει την απόδοση δικτ
 ύου της C++ με τις δυνατότητες μηχαν
 ικής μάθησης της Python με ενσωμάτωσ
 η μέσω της Cython, προστατευμένο από
  συμμετρική και από ασύμμετρη κρυπτο
 γράφηση. Αυτό το σύστημα συγκρίνεται
  ευνοϊκά με ανταγωνιστικές λύσεις βά
 σει μετρικών αξιολόγησης από μια πρό
 σφατη έρευνα. Η πειραματική επικύρωσ
 η σε πέντε σύνολα δεδομένων χρησιμοπ
 οιώντας τρεις τύπους μοντέλων ML απο
 δεικνύει ότι αυτές οι συνεισφορές με
 ιώνουν σημαντικά το κόστος της επικο
 ινωνίας με μειώσεις μεγέθους παραμέτ
 ρων μοντέλου σε όλα τα πειράματα (έω
 ς 93,4%), διατηρώντας ή βελτιώνοντας
  την απόδοση του μοντέλου και μειώνο
 ντας τον θόρυβο, την υπερπροσαρμογή 
 και το υπολογιστικό κόστος. Η ενσωμά
 τωση του αλγορίθμου Feature Election
  με το σύστημα Flower πέτυχε μειώσει
 ς μεγέθους μοντέλου έως 67,7%, ενώ τ
 α πειράματα επαύξησης χαρακτηριστικώ
 ν επιβεβαίωσαν την ανθεκτικότητα σε 
 χώρους υψηλών διαστάσεων. Μαζί, το F
 eature Election και το FLEx καθιερών
 ουν ένα νέο παράδειγμα για δικτυακά 
 αποδοτική ομοσπονδιακή μάθηση σε σεν
 άρια περιορισμένου εύρους ζώνης με ε
 υαίσθητα δεδομένα\n Abstract \n This
  thesis presents two main contributi
 ons to advance research in Federated
  Learning (FL): Feature Election and
  the FLEx framework. Feature Electio
 n is a novel federated Feature Selec
 tion algorithm that enables conventi
 onal Feature Selection (FS) methods 
 to operate in horizontal federated s
 ettings without altering their core 
 logic. The algorithm leverages clien
 t-generated vote vectors with prefer
 ence scores while preserving data pr
 ivacy, using a freedom degree parame
 ter to control selection granularity
 . The second contribution, FLEx (Fed
 erated Learning Exchange), is a comp
 rehensive framework that combines C+
 +’s network performance with Python’
 s machine learning capabilities thro
 ugh Cython integration, secured by b
 oth symmetric and asymmetric encrypt
 ion. This framework compares favorab
 ly with competing solutions based on
  evaluation metrics from a recent su
 rvey. Experimental validation across
  five datasets using three Machine L
 earning (ML)model types demonstrates
  that these contributions significan
 tly reduce communication overhead wi
 th model parameter size reductions a
 cross all experiments (up to 93.4%),
  while maintaining or improving mode
 l performance and reducing noise, ov
 erfitting and computational cost. In
 tegration of the Feature Election al
 gorithm with the Flower framework ac
 hieved model size reductions up to 6
 7.7%, while feature augmentation exp
 eriments confirmed robustness in hig
 h-dimensional spaces. Feature Electi
 on in FLEx establishes a new paradig
 m for network-efficient FL in bandwi
 dth-constrained scenarios where data
  privacy is paramount.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250509T160000
DTEND:20250509T170000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR