Evidence Hub

A multi-agent distributed learning framework for the optimization of privacy and resilience in federated systems

Σωτήριος Μεσσήνης

2026

Abstract

Η ομοσπονδιακή μάθηση (federated learning) έχει αναδειχθεί σε ένα θεμελιώδες παράδειγμα για τη συνεργατική εκπαίδευση μοντέλων μεταξύ κατανεμημένων οντοτήτων χωρίς ρητή ανταλλαγή δεδομένων. Ωστόσο, καθώς τα ομοσπονδιακά συστήματα κλιμακώνονται σε πραγματικές συνθήκες ανάπτυξης, αντιμετωπίζουν θεμελιώδεις προκλήσεις που απορρέουν από την ετερογένεια των δεδομένων, τους περιορισμούς της υποδομής, τις απαιτήσεις ιδιωτικότητας και τις αντιπαραθετικές συνθήκες λειτουργίας. Οι υφιστάμενες προσεγγίσεις αντιμετωπίζουν συνήθως τις προκλήσεις αυτές μεμονωμένα, αδυνατώντας να λάβουν υπόψη τις πολύπλοκες αλληλεξαρτήσεις τους. Η παρούσα διατριβή αναπτύσσει ένα πολυπρακτορικό, κατανεμημένο πλαίσιο μάθησης, το οποίο βελτιστοποιεί από κοινού την ιδιωτικότητα και την ανθεκτικότητα στα ομοσπονδιακά συστήματα, μέσω της ρητής μοντελοποίησης των αλληλεπιδράσεων των πρακτόρων, των δομικών εξαρτήσεων και της δυναμικής σε επίπεδο συστήματος.Το κεντρικό επιχείρημα της διατριβής είναι ότι η ομοσπονδιακή μάθηση δεν πρέπει να αντιμετωπίζεται ως ένα στατικό πρωτόκολλο βελτιστοποίησης, αλλά ως μια προσαρμοστική, δομημένη, πολυπρακτορική διαδικασία, στην οποία η ιδιωτικότητα, η ανθεκτικότητα, η αποδοτικότητα και ο συντονισμός είναι στενά αλληλένδετες έννοιες. Αντιμετωπίζοντας τους συμμετέχοντες πράκτορες ως ετερογενείς οντότητες με διακριτούς ρόλους, βαθμούς επιρροής και περιορισμούς, και αξιοποιώντας αναπαραστάσεις βασισμένες σε γράφους για την αποτύπωση των αλληλεπιδράσεών τους, το προτεινόμενο πλαίσιο…

Read the paper

Related studies

Go deeper in Evidence Hub

Evidence Hub adds a study data sheet (design, sample size, evidence level, key numbers), an AI summary and a chat grounded in the paper's text.

Open this study Sign up free