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:20260225T122341Z LAST-MODIFIED:20260225T122341Z DTSTAMP:20260817T224017Z UID:1786995617@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