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:20260330T101339Z LAST-MODIFIED:20260330T101339Z DTSTAMP:20260719T214530Z UID:1784486730@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Ευαγγελόπουλου - 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=8368&cHash=17b3e19285b3c0f e79201cbce5a9fa54\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Ευαγγε λόπουλου\n με θέμα\n Διερεύνηση και Ανάπτυξη Αποτελεσματικού Federated L earning για την Πρόβλεψη της Ατμοσφα ιρικής Ρύπανσης\n Investigating and Developing Efficient Federated Learn ing for Air Pollution Prediction\n Ε ξεταστική Επιτροπή\n Αναπληρωτής Καθ ηγητής Βασίλειος Σαμολαδάς (επιβλέπω ν)\n Καθηγητής Γεώργιος Χαλκιαδάκης\ n Επίκουρος Καθηγητής Νικόλαος Γιατρ άκος\n     \n Περίληψη\n Η ατμοσφαιρ ική ρύπανση αποτελεί εδώ και καιρό σ ημαντική απειλή για τη δημόσια υγεία στην περιοχή της Δυτικής Μακεδονίας στην Ελλάδα, μια απειλή που αποδίδε ται στην εξόρυξη λιγνίτη και στα έντ ονα μολυσμένα αέρια που εκπέμπονται κατά την καύση του για την παραγωγή ηλεκτρικής ενέργειας. Ενώ οι σύγχρον ες συσκευές του Διαδικτύου των Πραγμ άτων (IoT) προσφέρουν δυνατότητες λε πτομερούς παρακολούθησης, οι συμβατι κές κεντρικοποιημένες προσεγγίσεις μ ηχανικής μάθησης που χρησιμοποιούντα ι για την πρόβλεψη της ποιότητας του αέρα αντιμετωπίζουν δυσκολίες όσον αφορά το απόρρητο των δεδομένων και σημαντικά ζητήματα εύρους ζώνης (ban dwidth) κατά την κλιμάκωση σε μεγάλε ς ποσότητες συλλεγόμενων δεδομένων.\ n Αυτή η διπλωματική εργασία προτείν ει και αξιολογεί ένα πλαίσιο Ομόσπον δης Μάθησης (Federated Learning - FL ) με προστασία του απορρήτου για την πρόβλεψη της συγκέντρωσης PM2.5 στη ν ατμόσφαιρα. Χρησιμοποιώντας μια αρ χιτεκτονική Long Short-Term Memory ( LSTM), το μοντέλο εκπαιδεύτηκε σε έξ ι διαφορετικούς σταθμούς ατμοσφαιρικ ών μετρήσεων που βρίσκονται στο Αμύν ταιο, τον Φιλώτα, την Κοιλάδα, την Κ άτω Κώμη, τα Πετρανά και την Ποντοκώ μη, χρησιμοποιώντας ιστορικά ωριαία δεδομένα που καλύπτουν την περίοδο 2 019-2025.\n Τα πειραματικά αποτελέσμ ατα δείχνουν ότι η προσέγγιση του ομ όσπονδου μοντέλου LSTM επιτυγχάνει Μ έσο Απόλυτο Σφάλμα (MAE) 1,75 μg/m³. Συγκρίνοντας το με την κεντρικοποιη μένη προσέγγιση (MAE 1,41 μg/m³), πα ρατηρούμε έναν συμβιβασμό (trade-off ) περίπου 0,34 μg/m³. Αν και ελαφρώς υψηλότερη, η απόδοση του μοντέλου π αραμένει συγκρίσιμη με το κεντρικοπο ιημένο «χρυσό πρότυπο» (MAE 1,41 μg/ m³). Επιπλέον, η σύγκριση του μοντέλ ου LSTM με τις αρχιτεκτονικές GRU κα ι SimpleRNN βοηθά στην επιβεβαίωση τ ου LSTM ως ανώτερου μοντέλου, καθώς παρέχει μεγαλύτερη σταθερότητα κατά τη διαδικασία ενσωμάτωσης (aggregati on) με τυπική απόκλιση 0,019.\n Όσον αφορά την αποδοτικότητα του δικτύου , η μελέτη διαπιστώνει ότι ενώ η Ομό σπονδη Μάθηση (FL) παρέχει ουδέτερο κόστος εύρους ζώνης για ωριαίες αναφ ορές, αποδίδει μια θεωρητική μείωση του εύρους ζώνης κατά 98,1% εάν μετα βαίναμε σε μετρήσεις επιπέδου λεπτού . Αυτά τα ευρήματα επιβεβαιώνουν ότι η Ομόσπονδη Μάθηση προσφέρει μια κλ ιμακώσιμη λύση, συμβατή με τους κανό νες απορρήτου, για την περιβαλλοντικ ή παρακολούθηση σε ετερογενείς βιομη χανικές περιοχές.\n Abstract \n Air pollution has long posed a major pub lic health threat in the region of W estern Macedonia in Greece, a threat that is attributed to lignite minin g and heavily polluted gases that ar e emitted during lignite burning to produce electricity. While modern In ternet of Things (IoT) devices offer granular monitoring capabilities, c onventional centralized machine lear ning approaches used for air quality prediction struggle with data priva cy and major bandwidth concerns when scaling to large amounts of collect ed data. \n This thesis proposes and evaluates a privacy preserving Fede rated Learning (FL) Framework for fo recasting PM2.5 concentration in the atmosphere. Making use of a Long Sh ort-Term Memory (LSTM) architecture, the model was trained across six di fferent atmospheric measuring statio ns located in Amyntaio, Filotas, Koi lada, Kato Komi, Petrana and Pontoko mi, using historical hourly data spa nning 2019-2025. \n Experimental res ults showcase that the Federated LST M model approach achieves a Mean Abs olute Error (MAE) of 1.75 μg/m³. Com paring that to the centralized appro ach (MAE 1.41 μg/m³) we observe a tr ade-off of approximately 0.34 μg/m³. While slightly higher, the model's performance remains comparable to th e centralized 'gold standard' (MAE 1 .41 μg/m³). Furthermore, comparing t he LSTM model against GRU and Simple RNN architectures helps us confirm L STM as the superior model as it prov ides more stability during the aggre gation process with a standard devia tion of 0.019.\n In terms of network efficiency, the study establishes t hat while FL provides neutral bandwi dth costs for hourly reporting, it y ields a theoretical bandwidth reduct ion of 98.1% if we were to switch to minute level measurements. These fi ndings confirm that Federated Learni ng offers a scalable, privacy-compli ant solution for environmental monit oring in heterogeneous industrial re gions.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260401T110000 DTEND:20260401T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR