Διπλωματικές Εργασίες

Στόχος της εργασίας είναι η χρήση μεθόδων βαθιάς μάθησης (νευρωνικά δίκτυα με ανατροφοδότηση και transformers) σε εφαρμογές ταξινόμησης κειμένων.

Η βαθιά μάθηση έχει χρησιμοποιηθεί με μεγάλη επιτυχία τα τελευταία χρόνια σε πλειάδα εφαρμογών. Στόχος της εργασίας είναι η μελέτη της χρήσης νευρωνικών δικτύων με ανατροφοδότηση (recurrent neural networks, long short-term memory networks) αλλά και των transformers σε εφαρμογές ταξινόμησης κειμένων, όπως η ανάλυση συναισθήματος (sentiment analysis), η αναγνώριση θεματικής κατηγορίας και η αναγνώριση συγγραφικής πατρότητας.

Ευφυή Συστήματα

Προγραμματισμός σε Python

Georgios Barlas, Efstathios Stamatatos: A transfer learning approach to cross-domain authorship attribution. Evolving Systems, 12(3): 625-643 (2021)

Rafael A. Rivera-Soto, Olivia Elizabeth Miano, Juanita Ordonez, Barry Y. Chen, Aleem Khan, Marcus Bishop, and Nicholas Andrews. 2021. Learning Universal Authorship Representations. In Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, pages 913–919

Να διερευνηθεί πώς η αξιοποίηση τεχνητής νοημοσύνης (ΑΙ) στα συστήματα επιτήρησης που εφαρμόζονται από κυβερνητικούς φορείς επηρεάζει την ιδιωτικότητα, τα ανθρώπινα δικαιώματα και την κοινωνική εμπιστοσύνη, με σκοπό την ανάπτυξη προτάσεων για ισορροπημένη χρήση που συνδυάζει δημόσια ασφάλεια και προστασία ατομικών ελευθεριών.

Η έρευνα εστιάζει στην αυξανόμενη χρήση τεχνολογιών επιτήρησης με υποστήριξη ΑΙ (π.χ. αναγνώριση προσώπου, ανάλυση προτύπων συμπεριφοράς, αυτόματη ανίχνευση απειλών) από κρατικούς οργανισμούς. Αντικείμενο είναι:

1. Χαρτογράφηση των πρακτικών χρήσης τέτοιων τεχνολογιών σε κυβερνητικές λειτουργίες (ασφάλεια, δημόσια διοίκηση, διαχείριση κρίσεων).

2. Ανάλυση ωφελειών, όπως ενίσχυση της ασφάλειας, αποτελεσματικότερη διαχείριση πόρων και πρόληψη εγκληματικότητας.

3. Εντοπισμός κινδύνων και εμποδίων, που σχετίζονται με παραβίαση προσωπικών δεδομένων, διακρίσεις μέσω αλγορίθμων (algorithmic bias), διαφάνεια και λογοδοσία.

4. Ανάλυση νομοθετικού και ηθικού πλαισίου στην Ευρωπαϊκή Ένωση και διεθνώς, με έμφαση στη συμμόρφωση με τον GDPR και τις κατευθύνσεις για υπεύθυνη χρήση ΑΙ.

5. Προτάσεις πολιτικής και τεχνολογικών λύσεων, που θα επιτρέπουν τη χρήση της ΑΙ με τρόπο που σέβεται την ιδιωτικότητα και ενισχύει την εμπιστοσύνη των πολιτών.

Η μελέτη φιλοδοξεί να συμβάλει τόσο σε ακαδημαϊκό επίπεδο (παραγωγή γνώσης γύρω από τον συνδυασμό ΑΙ, επιτήρησης και δικαιωμάτων) όσο και σε πρακτικό επίπεδο, προσφέροντας οδηγίες για κυβερνήσεις και οργανισμούς που αναπτύσσουν ή υλοποιούν τέτοιες τεχνολογίες.

- EGOV I & II

- Interoperability

- Case study analysis

Fontes, C., Hohma, E., Corrigan, C. C., & Lütge, C. (2022). AI-powered public surveillance systems: why we (might) need them and how we want them. Technology in Society, 71, 102137.

Kumar, A., & Kaur, R. (2024, February). Right to Privacy in the Era of AI-Powered Surveillance Technologies. In International Conference on Emerging Research in Computing, Information, Communication, Artificial Intelligence and Machine Learning (pp. 245-252). Singapore: Springer Nature Singapore.

Singh, T. (2023, October). AI-Driven Surveillance Technologies and Human Rights: Balancing Security and Privacy. In International Conference on Smart Systems: Innovations in Computing (pp. 703-717). Singapore: Springer Nature Singapore.

Ο διαδικτυακός στοιχηματισμός είναι σε έξαρση τα τελευταία χρόνια. Στόχος της παρούσας διπλωματικής είναι η κατανόηση του τρόπου που ο χρήστης αλληλοεπιδρά με τυχερά παίγνια, μέσω μελέτης των δεδομένων παιχνιδιού αλλά και παρατήρησης των αντιδράσεων του χρήστη με σκοπό τον έγκαιρο εντοπισμό και πρόληψη ενεργειών, ώστε να διευκολύνεται το υπεύθυνο παιχνίδι [1].

Στα πλαίσια της παρούσας διπλωματικής εργασίας θα χρησιμοποιηθούν μέθοδοι μηχανικής μάθησης και ψηφιακής επεξεργασίας σήματος για τη μελέτη της και τον εντοπισμό των συναισθημάτων που βιώνονται κατά την αλληλεπίδραση με ένα τυχερό παίγνιο (π.χ. ρουλέτα) [1]. Μέσα από την πειραματική διαδικασία θα αποκαλυφθούν τα χαρακτηριστικά του παιχνιδιού ενός χρήστη με χρήση πολυτροπικών αισθητήρων (π.χ. χαρακτηριστικές αντιδράσεις προσώπου και ήχος) [2, 3] και χρήση των δεδομένων παιχνιδιού.

•    Μηχανική Μάθηση
•    Μεγάλα Δεδομένα και Εξόρυξη Δεδομένων

•    Γνώση Αγγλικής γλώσσας
•    Δεξιότητες προγραμματισμού

[1] Drosatos G, Nalbadis F, Arden-Close E, Baines V, Bolat E, Vuillier L, Kostoulas T, Wasowska S, Bonello M, Palles J, McAlaney J. Empowering Responsible Online Gambling by Real-time Persuasive Information Systems. 2018 12th International Conference on Research Challenges in Information Science (RCIS), Nantes, France, 2018, pp. 1-11, doi: 10.1109/RCIS.2018.8406671.

[2] Muszynski, M., Tian, L., Lai, C., Moore, J.D., Kostoulas, T., Lombardo, P., Pun, T. and Chanel, G., 2019. Recognizing induced emotions of movie audiences from multimodal information. IEEE Transactions on Affective Computing.

[3] Kostoulas T, Chanel G, Muszynski M, Lombardo P, Pun T. Films, affective computing and aesthetic experience: identifying emotional and aesthetic highlights from Multimodal signals in a social setting. Frontiers. 2017 Jun;4(11):1.

Η εργασία αποσκοπεί στον σχεδιασμό και την πειραματική υλοποίηση ενός πλαισίου ψηφιακής εγκληματολογίας για Μεγάλα Γλωσσικά Μοντέλα (LLMs) και αυτόνομους AI agents. Το πλαίσιο θα αναλύει τα εσωτερικά διανύσματα ενεργοποίησης (activation vectors) του μοντέλου κατά την επεξεργασία ενός αιτήματος, προκειμένου να διαγνώσει ποσοτικά αν, σε ποιο βαθμό και σε ποιο layer ενεργοποιήθηκαν ή καταστάλθηκαν οι ενσωματωμένοι μηχανισμοί άμυνας και άρνησης έναντι επιθέσεων prompt injection και jailbreaks.

Κατά τη διερεύνηση περιστατικών ασφαλείας (incident response) σε συστήματα βασισμένα σε LLMs, η ανάλυση των εξωτερικών καταγραφών (logs) συχνά αδυνατεί να εξηγήσει γιατί ένα μοντέλο εκτέλεσε μια μη εξουσιοδοτημένη ή επιβλαβή ενέργεια: οφείλεται σε αδυναμία αντίληψης της απειλής (semantic evasion), σε εσκεμμένη καταστολή των μηχανισμών άμυνας μέσω adversarial jailbreaks (mechanistic suppression), ή σε παράκαμψη λόγω αντικρουόμενων οδηγιών συστήματος; Η παρούσα εργασία αξιοποιεί τεχνικές μηχανιστικής ερμηνευσιμότητας και εργαλεία ανάλυσης διανυσματικών υποχώρων για την εξαγωγή των κανονικών διανυσμάτων ασφάλειας του μοντέλου. Στη συνέχεια, μέσω καταγραφής των διανυσμάτων κατάστασης του, αναπτύσσεται ένας μηχανισμός εγκληματολογικής τηλεμετρίας που χαρτογραφεί την τροχιά ενεργοποίησης των αμυνών κατά μήκος των επιπέδων του μοντέλου (transformer layers). Η αξιολόγηση του συστήματος θα πραγματοποιηθεί πάνω σε καθιερωμένα σύνολα δεδομένων άμεσων και έμμεσων επιθέσεων, παρέχοντας ένα ποσοτικό εργαλείο απόδοσης ευθυνών και εντοπισμού της ακριβούς αιτίας αποτυχίας των μηχανισμών προστασίας.

• Τεχνητή Νοημοσύνη
• Ασφάλεια Συστημάτων Τεχνητής Νοημοσύνης
• Ανίχνευση και Διαχείριση Περιστατικών Ασφάλειας

Γνώση σχετικά με :

• Τεχνητή νοημοσύνη
• Αρχιτεκτονική LLMs

• Zhou S, Wang K, Shi L, Wang H. Exposing the Ghost in the Transformer: Abnormal Detection for Large Language Models via Hidden State Forensics. IEEE Transactions on Information Forensics and Security. 2025;21:4074-4089.
• Kadali SDSS, Papalexakis E. Jailbreaking Leaves a Trace: Understanding and Detecting Jailbreak Attacks from Internal Representations of Large Language Models. ArXiv. 2026;abs/2602.11495.
• Jiang Y, Gao X, Peng T, et al. HiddenDetect: Detecting Jailbreak Attacks against Large Vision-Language Models via Monitoring Hidden States. ArXiv. 2025;abs/2502.14744

Η εργασία αποσκοπεί στον σχεδιασμό και την ανάπτυξη ενός μηχανισμού για multi-agent συστήματα που θα καταγράφει με ασφαλή κρυπτογραφικά τρόπο ολη την δραστηριότητα και θα διασφαλίζει την δίκαιη απόδοση ευθυνων σε περιστατικά ασφαλείας.

Στα σύγχρονα συστήματα τεχνητής νοημοσύνης, η μετάβαση από μεμονωμένα LLMs σε πολυ-πρακτορικά συστήματα (Multi-Agent Systems / Swarms) επιτρέπει την αυτόνομη επίλυση σύνθετων προβλημάτων μέσω καταμερισμού εργασιών (task delegation), δυναμικής επικοινωνίας και διαδοχικής λήψης αποφάσεων (orchestration chains). Ωστόσο, αυτή η αρχιτεκτονική δημιουργεί κρίσιμα κενά όπως απώλεια ιχνηλασιμότητας, δυνατότητα

αποποίησης ευθύνης και δυσκολία αναπαραγωγής της αλυσίδας σκέψηςγια την εκ των υστέρων εγκληματολογική ανάλυση. Ο βασικός στόχος της εργασίας είναι ο σχεδιασμός ενός μηχανισμού που θα υποστηρίζει την αδιάβλητη καταγραφής της δραστηριότητας των agents και συγκεκριμένα των επικοινωνιών (Agent-to-Agent - A2A), των κλήσεων εργαλείων (Agent-to-Tool - A2T) καθώς και των κρίσημων αποφάσεων των agents. Ο μηχανισμός αυτός θα εγγυάται την Μη-Αποποίησης της ευθύνης των agents με την ενσωμάτωση κρυπτογραφικών μηχανισμών (ασύμμετρη κρυπτογραφία, Merkle Trees, κτλ) για την ταυτοποίηση και επικύρωση κάθε ενέργειας.Επίσης θα είναι δυνατή η αναπαράστασης του δραστηριότητας του συστήματος με σκοπό την εύρεση του "Root Cause" ενός περιστατικού ασφαλείας.

• Τεχνητή Νοημοσύνη
• Ασφάλεια Συστημάτων Τεχνητής Νοημοσύνης
• Ανίχνευση και Διαχείριση Περιστατικών Ασφάλειας
• Κρυπτογραφία

Γνώση σχετικά με :

• Τεχνητή νοημοσύνη
• Agentic systems
• Κρυπτογραφία

• M. Kumar and D. Singh, "Enforcing Accountability in Autonomous Ops: A Zero-Trust Multi-Agent Framework With Forensic Reasoning Ledgers," 2026 14th International Symposium on Digital Forensics and Security (ISDFS), Boston, MA, USA, 2026, pp. 1-7, doi: 10.1109/ISDFS69419.2026.11459075.
• Vijayakumar, Bharathwaj, Sahana Karamutti Varadaraju, and Lathish Balaji Baskaran. "TRACE: Tamper-Resistant Accountability and Cryptographic Evidence for Multi-Agent AI Systems." 2026 IEEE 12th Conference on Big Data Security on Cloud (BigDataSecurity). IEEE, 2026.
• de Witt, Christian Schroeder, et al. "Open challenges in multi-agent security: Towards secure systems of interacting ai agents." arXiv preprint arXiv:2505.02077 (2025).

Σκοπός είναι να μελετηθούν κατά πόσο οι τεχνικές για τις σχεσιακές βάσεις είναι κατάλληλες για χωρικά και χωρο-κειμενικά δεδομένα. Για αυτό θα πρέπει να υλοποιηθούν κάποιες μέθοδοι και να αποτιμηθούν για χωρικούς τελεστές.

Βάσεις Δεδομένων διαθέσιμες στο διαδίκτυο.

·       Όφελος για τον χρήστη των δεδομένων

·       Κίνδυνος κλοπής/αντιγραφής πληροφορίας (πειρατεία)

Σκοπός υδατογραφήματος : εύρεση και αναγνώριση πειρατικών αντιγράφων δεδομένων

Υδατογράφηση των βάσεων δεδομένων: Μικρές αλλαγές σε τιμές των δεδομένων που δεν επηρεάζουν την χρηστικότητα τους. Δεν επηρεάζονται από μικρές αποκλίσεις

Σκοπός είναι να μελετηθούν κατά πόσο οι τεχνικές για τις σχεσιακές βάσεις είναι κατάλληλες για χωρικά και χωρο-κειμενικά δεδομένα. Για αυτό θα πρέπει να υλοποιηθούν κάποιες μέθοδοι και να αποτιμηθούν για χωρικούς τελεστές.

Βάσεις Δεδομένων

Java

Rakesh Agrawal and Jerry Kiernan. 2002. Watermarking relational databases. In Proceedings of the 28th international conference on Very Large Data Bases

Watermarking Techniques for Relational Databases: Survey, Classification and Comparison, Raju Halder, Shantanu Pal and Agostino Cortesi

Σύγκριση προσομοίωσης και πραγματικών δεδομένων.

Μοντελοποίηση του Kalypso και ενός ιχθυοκλωβού σε προσομοιωτή θαλάσσιας ρομποτικής, ώστε να δοκιμάζονται αλγόριθμοι πλοήγησης/επιθεώρησης πριν από το πεδίο.

Υπολογιστική και Ρομποτική Όραση

Αγγλικά

Cieślak, P. (2019, June). Stonefish: An advanced open-source simulation tool designed for marine robotics, with a ros interface. In OCEANS 2019-Marseille (pp. 1-6). IEEE.