Techniques to accelerate the adoption of Federated Machine Learning for heterogeneous environments - Diploma Thesis

Aug 2, 2026

Upload by Rowan

This diploma thesis investigates how to accelerate the adoption of Federated Machine Learning (FML) in heterogeneous environments while preserving privacy and data ownership. It explores core challenges of distributed learning, including data heterogeneity, privacy protection, and the impracticality of centralized data collection. Using the Flower framework, the work builds a solution to streamline FML simulations and evaluates techniques including FedAVG and FEDMA. It further analyzes data and hardware heterogeneity and measures client dropouts and stragglers. Results inform future real-world deployments and tools that reduce execution complexity.

LanguageEnglish

CategoryResearch & Report

FormatPDF

Pages126

Reading Time5 h 18 min

AccessFree to download

Abstract

Federated Machine Learning challenges

Flower-based simulation solution

Optimization and evaluation (FedAVG/FEDMA)

Heterogeneity and client dropout analysis

User-friendly tool for faster simulation

Εθνικό Μετσόβιο ΠολυτεχνείοΣχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης Techniques to accelerate the adoption of Federated Machine Learning for heterogeneous environments Diploma Thesis by Christos D. Ntokos Επιβλέπων: Αθανάσιος Βουλόδημος Επ . Καθηγητής Ε .Μ .Π . Αθήνα , Ιούλιος 2023 Εθνικό Μετσόβιο ΠολυτεχνείοΣχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνΤομέας ΠληροφορικήςΕργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης Techniques to accelerate the adoption of Federated Machine Learning for heterogeneous environments Diploma Thesis by Christos D. Ntokos Επιβλέπων: Αθανάσιος Βουλόδημος Επ . Καθηγητής Ε .Μ .Π . Εγκρίθηκε από την τριμελή εξεταστική επιτροπή την 13η Ιουλίου , 2023 . Αθανάσιος Βουλόδημος Γεώργιος Στάμου Νικόλαος Δουλάμης Επ . Καθηγητής Ε .Μ .Π . Καθηγητής Ε .Μ .Π . Καθηγητής Ε .Μ .Π . Αθήνα , Ιούλιος 2023 Χρήστος Ντόκος Διπλωματούχος Ηλεκτρολόγος Μηχανικόςκαι Μηχανικός Υπολογιστών Ε .Μ .Π . Copyright © – All rights reserved Christos D. Ntokos, 2023 . Με επιφύλαξη παντός δικαιώματος . Απαγορεύεται η αντιγραφή , αποθήκευση και διανομή της παρούσας εργασίας , εξ ολοκλήρουή τμήματος αυτής , για εμπορικό σκοπό . Επιτρέπεται η ανατύπωση , αποθήκευση και διανομήγια σκοπό μη κερδοσκοπικό , εκπαιδευτικής ή ερευνητικής φύσης , υπό την προϋπόθεσηνα αναφέρεται η πηγή προέλευσης και να διατηρείται το παρόν μήνυμα . Ερωτήματα πουαφορούν τη χρήση της εργασίας για κερδοσκοπικό σκοπό πρέπει να απευθύνονται προς τονσυγγραφέα . Οι απόψεις και τα συμπεράσματα που περιέχονται σε αυτό το έγγραφο εκφράζουν τονσυγγραφέα και δεν πρέπει να ερμηνευθεί ότι αντιπροσωπεύουν τις επίσημες θέσεις τουΕθνικού Μετσόβιου Πολυτεχνείου . Περίληψη Σε αυτή τη διπλωματική εργασία , πραγματοποιούμε μια εις βάθος εξερεύνηση μιαςμεθοδολογίας μηχανικής μάθησης με γνώμονα την διατήρηση απορρήτου , και συγκεκριμένατην Ομοσπονδιακή Μηχανική Μάθηση (ΟΜΜ) . Χαρακτηριζόμενο ως πρότυπο κατανεμη-μένης μηχανικής μάθησης , η ΟΜΜ αντιμετωπίζει τις βασικές προκλήσεις της ΜηχανικήςΜάθησης (ΜΜ) και των δεδομένων , όπως η ετερογένεια δεδομένων , η προστασία του απορ-ρήτου και η ιδιοκτησία δεδομένων . Παρέχει μια πλατφόρμα που επιτρέπει στους οργανισ-μούς να συμβάλουν από κοινού στην ανάπτυξη μοντέλων , διατηρώντας πλήρη κυριότητα σταδεδομένα τους . Αυτό το χαρακτηριστικό το καθιστά εξαιρετικά ωφέλιμο σε περιπτώσειςόπου τα δεδομένα είναι είτε ευαίσθητα είτε ογκώδη , καθιστώντας τα ανέφικτα για κεντρικήσυλλογή . Αυτή η διπλωματική εργασία στοχεύει να διερευνήσει τις δυνατότητες και τις περιπλοκέςτης χρήσης της Ομοσπονδιακής Μηχανικής Μάθησης σε πρακτικές εφαρμογές . Χρησι-μοποιήσαμε ένα ευρέως αναγνωρισμένο λογισμικό , το Flower, για να δημιουργήσουμε μιαλύση που έχει σχεδιαστεί για τον εξορθολογισμό των προσομοιώσεων ΟΜΜ . ΄Εχουμεεπίσης εφαρμόσει διαφορετικές τεχνικές χρησιμοποιώντας FedAVG και FEDMA γιανα αξιολογήσουμε την αποτελεσματικότητα . Επιπλέον , έχουμε εμβαθύνει στην εξέ-ταση της ετερογένειας δεδομένων και υλικού , καθώς και στην αξιολόγηση των πελατώνπου εγκαταλείπουν και καθυστερούν , για να παρέχουμε μια ολιστική κατανόηση τωνπροκλήσεων και των μεταβλητών που σχετίζονται με αυτήν την κατανεμημένη προσέγ-γιση μηχανικής μάθησης . Τα αποτελέσματα αυτής της μελέτης ρίχνουν φως στις ευέλικτεςεφαρμογές και την πολυπλοκότητα της ΟΜΜ , υπογραμμίζοντας την αξία της για μελλοντικήέρευνα και υλοποιήσεις στον πραγματικό κόσμο . Για να συμπληρώσουμε την έρευνά μας , δημιουργήσαμε ένα φιλικό προς τον χρήστη ερ-γαλείο σχεδιασμένο για να επιταχύνει και να απλοποιήσει την εκτέλεση προσομοιώσεων .Αυτό το εργαλείο ενσωματώνει βασικά ερευνητικά ευρήματα και ανταποκρίνεται αποτε-λεσματικά στην πολυπλοκότητα της ΟΜΜ , όπως η ετερογένεια δεδομένων και υλικού .΄Ετσι , στοχεύουμε να συνεισφέρουμε στην έρευνα στην Ομοσπονδιακή Μηχανική Μάθηση ,διευκολύνοντας την πρακτική εφαρμογή της σε διάφορα σενάρια πραγματικού κόσμου . Λέξεις-κλειδιά — Μηχανική μά

FAQs

What problem does this thesis address in Federated Machine Learning?

It focuses on accelerating FML adoption in heterogeneous environments while handling key issues such as data heterogeneity, privacy protection, and data ownership constraints.

Which framework and techniques are used to implement and evaluate the approach?

The thesis uses the Flower framework to streamline FML simulations and evaluates methods including FedAVG and FEDMA to compare effectiveness.

How does the thesis handle heterogeneity and client reliability?

It investigates both data heterogeneity and hardware heterogeneity, and evaluates client dropouts and stragglers to understand practical challenges in distributed training.

Aug 2, 2026

Upload by Rowan