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:20260428T093101Z LAST-MODIFIED:20260428T093101Z DTSTAMP:20261008T011307Z UID:1791411187@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Θωμά Λάγκαλη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 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=8385&cHash=2401f3012a0555f 0ff58ab5bca41d7c4\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Θωμά Λάγκαλη\n με θέμα\n Προστασία Ιδιωτικότητας σε Ομοσπονδιακή Μάθηση\n Privacy Prese rvation in Federated Learning\n Εξετ αστική Επιτροπή\n Καθηγητής Αθανάσιο ς Λιάβας (επιβλέπων)\n Καθηγητής Γεώ ργιος Καρυστινός\n Καθηγητής Θρασύβο υλος Σπυρόπουλος \n Περίληψη\n Η μηχ ανική μάθηση επιτυγχάνει πλέον κορυφ αία απόδοση σε ένα ευρύ φάσμα εφαρμο γών, ωστόσο η εκπαίδευση των μοντέλω ν βασίζεται συχνά σε μεγάλα σύνολα δ εδομένων που περιέχουν ευαίσθητες πλ ηροφορίες, δημιουργώντας σημαντικές προκλήσεις ως προς την προστασία της ιδιωτικότητας. Η Ομοσπονδιακή Μάθησ η (Federated Learning) έχει αναδειχθ εί ως μία κατανεμημένη αρχιτεκτονική εκπαίδευσης που μειώνει τον κίνδυνο αυτό, αποφεύγοντας τη συγκέντρωση τ ων ακατέργαστων δεδομένων σε κεντρικ ούς εξυπηρετητές.\n Παρ’ όλα αυτά, π ρόσφατες μελέτες έχουν δείξει ότι η διαρροή πληροφοριών παραμένει δυνατή τόσο σε κεντρικοποιημένα όσο και σε ομοσπονδιακά σενάρια εκπαίδευσης μέ σω επιθέσεων που επιχειρούν την ανακ ατασκευή δεδομένων εκπαίδευσης από τ α εκπαιδευμένα μοντέλα ή από τις παρ αγώγους.\n Η παρούσα διπλωματική εργ ασία διερευνά τη χρήση του πλαισίου της Διαφορικής Ιδιωτικότητας (Differ ential Privacy) ως μιας θεμελιωμένης μαθηματικά προσέγγισης για τον περι ορισμό της διαρροής πληροφορίας. Η Δ ιαφορική Ιδιωτικότητα παρέχει θεωρητ ικές εγγυήσεις προστασίας περιορίζον τας την επίδραση κάθε μεμονωμένης εγ γραφής του συνόλου εισόδου στα αποτε λέσματα του αλγορίθμου μέσω της προσ θήκης κατάλληλου θορύβου, εισάγοντας έναν αναπόφευκτο συμβιβασμό μεταξύ ιδιωτικότητας και απόδοσης του μοντέ λου.\n Στο πλαίσιο της εργασίας πραγ ματοποιείται θεωρητική και πειραματι κή μελέτη μηχανισμών διαφορικά ιδιωτ ικής εκπαίδευσης τόσο σε κλασικά μον τέλα μηχανικής μάθησης όσο και σε σε νάρια Ομοσπονδιακής Μάθησης. Συγκεκρ ιμένα, εξετάζονται τεχνικές perturba tion εξόδου (output perturbation), p erturbation αντικειμενικής συνάρτηση ς (objective perturbation) και pertu rbation παραγώγων (gradient perturba tion) στο πλαίσιο μοντέλων softmax r egression, ενώ σε περιβάλλον Ομοσπον διακής Μάθησης αξιολογούνται διαφορι κά ιδιωτικοί μηχανισμοί βασισμένοι σ το perturbation παραγώγων. Οι κίνδυν οι διαρροής αξιολογούνται μέσω επιθέ σεων Model Inversion σε μοντέλα soft max regression και επιθέσεων Deep Le akage from Gradients (DLG και iDLG) σε ομοσπονδιακά σχήματα εκπαίδευσης, χρησιμοποιώντας σύνολα δεδομένων ει κόνων όπως τα MNIST και CIFAR-10.\n Τα πειραματικά αποτελέσματα παρέχουν μια αναλυτική αξιολόγηση του συμβιβ ασμού μεταξύ ιδιωτικότητας και απόδο σης για διαφορετικές τιμές του προϋπ ολογισμού ιδιωτικότητας (privacy bud get) και διαφορετικές ρυθμίσεις εκπα ίδευσης, αναδεικνύοντας τον τρόπο με τον οποίο η Διαφορική Ιδιωτικότητα περιορίζει την επιτυχία επιθέσεων αν ακατασκευής, επηρεάζοντας παράλληλα την ακρίβεια και τη ταχύτητα σύγκλισ ης των μοντέλων. Συνολικά, η εργασία προσφέρει μια ολοκληρωμένη θεωρητικ ή και πειραματική ανάλυση της προστα σίας ιδιωτικότητας στη μηχανική μάθη ση και στην Ομοσπονδιακή Μάθηση υπό εγγυήσεις Διαφορικής Ιδιωτικότητας, συμβάλλοντας στην κατανόηση της ασφα λούς ανάπτυξης κατανεμημένων συστημά των μάθησης.\n Abstract \n Machine l earning models achieve state-of-the- art performance across a wide range of applications, but their reliance on large datasets containing sensiti ve personal information raises signi ficant privacy concerns. Federated L earning has emerged as a distributed training paradigm that mitigates so me of these risks by avoiding the ce ntralization of raw data. However, r ecent studies have demonstrated that privacy leakage remains possible in both centralized and federated sett ings through inference attacks that reconstruct information about the tr aining data from trained models or e xchanged gradients.\n This thesis in vestigates the use of Differential P rivacy as a framework for limiting i nformation leakage during the traini ng process. Differential Privacy pro vides formal guarantees by bounding the influence of individual training records through the introduction of carefully calibrated noise, leading to a fundamental trade-off between model privacy and utility. We presen t a theoretical and experimental stu dy of differentially private learnin g mechanisms in both standard machin e learning and federated learning en vironments. In particular, (1) outpu t perturbation, objective perturbati on, and gradient perturbation techni ques are analyzed in the context of softmax regression models, and (2) d ifferentially private gradient-based mechanisms are evaluated within Fed erated Learning. Privacy risks are a ssessed using Model Inversion attack s against softmax regression models and Deep Leakage from Gradients (DLG and iDLG) attacks against federated learning schemes on image datasets such as MNIST and CIFAR-10.\n The ex perimental results provide a detaile d evaluation of the privacy–utility trade-off under different privacy bu dgets and training configurations, d emonstrating how Differential Privac y mitigates reconstruction attacks w hile affecting model accuracy and co nvergence. Overall, this thesis pres ents a comprehensive theoretical and empirical analysis of privacy-prese rving machine learning and federated learning under Differential Privacy guarantees, providing practical ins ight into the deployment of secure d istributed learning systems. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260430T120000 DTEND:20260430T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR