1. Αρχική σελίδα
  2. Αναζήτηση

Federated, multi-agent, deep reinforcement learning

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)   

Αποθετήριο :
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Federated, multi-agent, deep reinforcement learning
Ψάλτης, Αθανάσιος
Patrikakis, Charalampos
Zarpalas, Dimitrios
Σχολή Μηχανικών
Kachris, Christoforos
Βουλόδημος, Αθανάσιος
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών
ZACHARIA, PARASKEVI
Δάρας, Πέτρος
Leligou, Helen C. (Nelly)
Διδακτορική διατριβή
2024-06-21
2024-07-31T08:07:48Z
The landscape of artificial intelligence (AI) is being reshaped by Federated Learning (FL), a decentralized approach to machine learning (ML) that enhances data privacy and collaborative model training. This thesis delves into the challenges and potential of FL, focusing on optimizing communication efficiency, enhancing model performance, and ensuring robustness in diverse settings. The research encompasses a detailed literature review and the identification of core challenges in FL. A series of studies were conducted to address specific aspects: optimizing data transmission and handling diverse model architectures, data partitioning and client selection, representation learning and federated distillation, incremental learning and knowledge retention, and training models with limited data. Each study contributed to the field by developing innovative algorithms, tested in simulated FL environments and compared with existing methods. Key findings of the research include improved communication efficiency with reduced overhead and bandwidth requirements, enhanced model performance in handling heterogeneous data and model architecture variability, effective strategies to combat catastrophic forgetting, and methodologies adept at working with limited and scattered data. The applicability of FL was demonstrated in practical scenarios, showcasing its potential in various domains. In conclusion, the dissertation significantly contributes to the advancement of FL. It addresses foundational challenges and demonstrates the adaptability and efficacy of FL in real-world applications. The findings emphasize FL's role as a method that ensures privacy, boosts efficiency, and showcases flexibility in the field of AI and ML.
Ομόσπονδη μάθηση
Ετερογενή δεδομένα
Data privacy
Αποδοτικότητα επικοινωνίας
Incremental learning
Σταδιακή μάθηση
Federated learning
Model heterogeneity
Ετερογένεια αρχιτεκτονικής μοντέλου
Ιδιωτικότητα δεδομένων
Communication efficiency
Αγγλική γλώσσα
Πανεπιστήμιο Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ - Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών - Διδακτορικές διατριβές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών
Διδακτορικές διατριβές



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.