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:20260504T091319Z LAST-MODIFIED:20260504T091319Z DTSTAMP:20260520T125518Z UID:1779270918@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αθανασίου Χριστόπουλου - 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=8391&cHash=9fd105020b5c435 b09cfdda2223cfc9a\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αθανασίου Χριστ όπουλου\n με θέμα\n Ομοσπονδιακή Βελ τιστοποίηση Σμήνους Σωματιδίων (PSO) σε Μικροϋπηρεσίες Kafka Streams με χρήση DeepLearning4J\n Federated Par ticle Swarm Optimization (PSO) on De epLearning4J-powered Kafka Streams M icroservices\n Εξεταστική Επιτροπή\n Επίκουρος Καθηγητής  Νικόλαος Γιατρ άκος (Επιβλέπων)\n Καθηγητής Αντώνιο ς Δεληγιαννάκης\n Αναπληρωτής Καθηγη τής Βασίλειος Σαμολαδάς\n Περίληψη\n Η παρούσα διπλωματική εργασία παρου σιάζει ένα κατανεμημένο σύστημα για την εκπαίδευση νευρωνικών δικτύων με χρήση του αλγορίθμου Βελτιστοποίηση ς Σμήνους Σωματιδίων (Particle Swarm Optimization – PSO), ως εναλλακτική προσέγγιση στην μέθοδο η Στοχαστική Κατηφόρα Κλίση (Stochastic Gradient Descent – SGD). Το σύστημα υλοποιεί ται με χρήση των Apache Kafka και Ka fka Streams, όπου οι εργαζόμενοι κόμ βοι λειτουργούν ως ανεξάρτητα σωματί δια και επικοινωνούν ασύγχρονα μέσω Kafka, κάτι που επιτρέπει επίσης τη λειτουργία του σε ομοσπονδιακά (fede rated) περιβάλλοντα. Η προτεινόμενη αρχιτεκτονική είναι παραμετροποιήσιμ η και επεκτάσιμη, υποστηρίζοντας δια φορετικές διαμορφώσεις του PSO, τρόπ ους επικοινωνίας και στρατηγικές εκπ αίδευσης νευρωνικών δικτύων.\n Σε αν τίθεση με τις παραδοσιακές σύγχρονες υλοποιήσεις του PSO, το σύστημα λει τουργεί με ασύγχρονο τρόπο, επιτρέπο ντας στους εργαζόμενους κόμβους να ε νημερώνουν τα μοντέλα τους ανεξάρτητ α χωρίς καθολικό συγχρονισμό, γεγονό ς που βελτιώνει τον χρόνο εκπαίδευση ς και την επεκτασιμότητα. Το σύστημα υποστηρίζει επίσης διαφορετικές στρ ατηγικές επικοινωνίας, συμπεριλαμβαν ομένης της καθολικής και της βασισμέ νης σε γειτονιές ανταλλαγής πληροφορ ίας, καθώς και μηχανισμούς φιλτραρίσ ματος επικοινωνίας, επιτρέποντας ευέ λικτο έλεγχο της συμπεριφοράς του σμ ήνους.\n Το σύστημα αξιολογήθηκε πει ραματικά σε πολλαπλά σύνολα δεδομένω ν, με έμφαση τόσο στην ποιότητα πρόβ λεψης όσο και στην απόδοση του συστή ματος, συμπεριλαμβανομένου του χρόνο υ εκπαίδευσης και του επικοινωνιακού κόστους. Τα αποτελέσματα δείχνουν ό τι η εκπαίδευση με PSO είναι εφικτή σε κατανεμημένα και ομοσπονδιακά περ ιβάλλοντα και ότι το προτεινόμενο σύ στημα υποστηρίζει βελτιστοποίηση χωρ ίς παραγώγους και παράλληλη επεξεργα σία, διατηρώντας παράλληλα ανταγωνισ τική απόδοση.\n Abstract \n This the sis presents a distributed system fo r training neural networks using Par ticle Swarm Optimization (PSO) as an alternative to conventional gradien t-based methods, such as Stochastic Gradient Descent (SGD). It is implem ented using Apache Kafka and Kafka S treams, where workers act as indepen dent particles and communicate async hronously through Kafka topics, whic h also enables operation in federate d settings. The proposed architectur e is configurable and extensible, su pporting different PSO configuration s, communication modes, and neural n etwork training strategies.\n Unlike traditional synchronous PSO impleme ntations, the system operates in an asynchronous manner, allowing worker s to update independently without gl obal synchronization, which improves training time and scalability. The system also supports different commu nication strategies, including globa l, neighborhood-based information sh aring and communication filtering, e nabling flexible control over swarm behavior.\n The system was evaluated experimentally on multiple datasets , with emphasis on both predictive q uality and system performance, inclu ding training time and communication overhead. The results show that PSO training is feasible in distributed and federated settings and that the proposed system supports derivative -free and parallel optimization, whi le maintaining competitive performan ce.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260506T110000 DTEND:20260506T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR