Department of Informatics https://dione.lib.unipi.gr/xmlui/handle/unipi/1683 2026-10-09T07:15:26Z 2026-10-09T07:15:26Z Χατζηκυριακάκη, Φοίβη https://dione.lib.unipi.gr/xmlui/handle/unipi/19805 2026-09-29T23:34:27Z 2026-09-01T00:00:00Z

Νευρωνικά δίκτυα γράφων για την πρόβλεψη διμερών μεταναστευτικών ροών : μια ανάλυση με επίκεντρο την Ευρώπη Χατζηκυριακάκη, Φοίβη Η μετανάστευση αποτελεί ένα από τα πλέον σημαντικά και δυσπρόβλεπτα φαινόμενα της σύγχρονης κοινωνίας, με βαθιές επιπτώσεις σε επίπεδο πολιτικής και ανθρωπιστικού σχεδιασμού. Η παρούσα διατριβή διερευνά κατά πόσο τα Νευρωνικά Δίκτυα Γράφων (Graph Neural Networks – GNNs) μπορούν να βελτιώσουν την πρόβλεψη διμερών μεταναστευτικών ροών σε σχέση με κλασικές μεθόδους αναφοράς, και ταυτόχρονα αναλύει το ευρωπαϊκό σύστημα μετανάστευσης μέσω εργαλείων δικτυακής ανάλυσης. Συγκρίνονται τρεις αρχιτεκτονικές GNN (GCN, GraphSAGE, Temporal-GNN) με τρεις κλασικές μεθόδους (απλή εμμονή, log-γραμμικό βαρυτικό μοντέλο, Random Forest) σε δεδομένα διμερών ροών 21 ετών (2000–2020) για 217 χώρες. Τα αποτελέσματα δείχνουν ότι η απλή μέθοδος εμμονής υπερτερεί όλων των εκπαιδευμένων μοντέλων κατά παράγοντα 4,5 στο μέσο απόλυτο σφάλμα μη-μηδενικών κελιών. Η ανάλυση εντοπίζει τρεις δομικές τάσεις στην ευρωπαϊκή μετανάστευση: την έκρηξη ρουμανικής μετανάστευσης μετά τη διεύρυνση της ΕΕ το 2007, την προοδευτική απομάκρυνση του Ηνωμένου Βασιλείου από το δίκτυο μετά το Brexit, και την ανακατεύθυνση των ουκρανικών ροών προς την Πολωνία. Συμπληρωματικά, μέσω δεδομένων IOM DTM, αναλύεται ο εσωτερικός εκτοπισμός στην Ουκρανία (2022–2026).

2026-09-01T00:00:00Z Καπέρδας, Γεώργιος https://dione.lib.unipi.gr/xmlui/handle/unipi/19799 2026-09-29T23:30:53Z 2026-09-01T00:00:00Z

Αξιολόγηση κινδύνων ασφάλειας πληροφοριών και οργανωτικής ετοιμότητας κρίσιμων υποδομών πληροφορικής Καπέρδας, Γεώργιος Η διατριβή αναπτύσσει και εφαρμόζει συστηματική, επαναλήψιμη μέθοδο αξιολόγησης κινδύνων ασφάλειας πληροφοριών και οργανωτικής ετοιμότητας σε συνθετικό, ανωνυμοποιημένο αρχέτυπο δημόσιου ERP (govERP), χωρίς χρήση πραγματικών λειτουργικών ή ευαίσθητων δεδομένων. Η μέθοδος έχει δύο συμπληρωματικά σκέλη: ανάλυση επικινδυνότητας με MONARC, στηριγμένη στα ISO/IEC 27001:2022 και ISO/IEC 27002:2022 και στο Interoperable EU Risk Management Toolbox του ENISA, και αποτίμηση τεκμηριωτικής ετοιμότητας προς αξιολόγηση/πιστοποίηση με CUSTODES. Η NIS2, ο Ν. 5160/2024 και η ΚΥΑ 1689/2025 χρησιμοποιούνται ως πλαίσιο αναφοράς, χωρίς ισχυρισμό νομικής υπαγωγής του αρχετύπου. Η εφαρμογή παράγει ιχνηλάσιμο μητρώο κινδύνων, ανάλυση αποκλίσεων, αποτίμηση οργανωτικής ετοιμότητας και προσχέδιο Security Target για τη διεπαφή ηλεκτρονικής τιμολόγησης. Οι υψηλότερες προτεραιότητες συγκεντρώνονται κυρίως σε ταυτότητα, πρόσβαση, ανθρώπινες πρακτικές και τεκμηρίωση. Οι δύο άξονες λειτουργούν συμπληρωματικά, χωρίς αριθμητική μετατροπή βαθμολογίας κινδύνου σε επίπεδο διασφάλισης. Η διαδικασία αποδείχθηκε εκτελέσιμη, αναπαραγώγιμη και ιχνηλάσιμη στο συγκεκριμένο αρχέτυπο, ενώ η εξωτερική εγκυρότητα δεν εξετάστηκε. Στη συγκεκριμένη έκδοση και στις συνεδρίες της πλατφόρμας, η συνύπαρξη διαφορετικών καταλόγων απειλών δυσχέρανε την ανάκτηση ορισμένων συναφών στόχων ασφάλειας. Ηλεκτρονικό παράρτημα (Παράρτημα Δ΄, Πίνακας Δ΄.1): τέσσερα αρχεία δεδομένων αναπαραγωγιμότητας (δύο εξαγωγές MONARC σε JSON, μητρώο κινδύνων CSV, φύλλο ανάλυσης αποκλίσεων XLSX), διαθέσιμα στο Zenodo, DOI: 10.5281/zenodo.22883460

2026-09-01T00:00:00Z Γλεντής - Περιστέρης, Αριστοτέλης - Ηλίας https://dione.lib.unipi.gr/xmlui/handle/unipi/19774 2026-09-23T23:30:44Z 2026-09-01T00:00:00Z

Συγκριτική αξιολόγηση τεχνητών νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης για την προσέγγιση της αποδοτικότητας της περιβάλλουσας ανάλυσης δεδομένων Γλεντής - Περιστέρης, Αριστοτέλης - Ηλίας Η περιβάλλουσα ανάλυση δεδομένων (DEA) είναι η πιο γνωστή μη παραμετρική μέθοδος για την αξιολόγηση της απόδοσης ομοιογενών μονάδων. Σε αυτή την διατριβή, αναπτύσσεται μια νέα μέθοδος προσέγγισης της DEA χρησιμοποιώντας μεθόδους μηχανικής μάθησης και πιο συγκεκριμένα, τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης (Support Vector Machine – SVM) τα οποία επιταχύνουν την διαδικασία αξιολόγησης και ελαχιστοποιούν σημαντικά τον απαιτούμενο υπολογιστικό χρόνο. Πιο συγκεκριμένα, χρησιμοποιούμε τις παραπάνω μεθόδους για να εκτιμήσουν την αποδοτικότητα των μονάδων που δημιουργήθηκαν μέσω της DEA. Επίσης, τα σύνολα που χρησιμοποιούμε για εκπαίδευση και για εξέταση των μεθόδων μηχανικής μάθησης αξιολογούνται πρώτα από τους αλγόριθμους της DEA. Διεξάγονται αρκετά πειράματα τα οποία βασίζονται σε διαφορετικές διαδικασίες παραγωγής δεδομένων με διαφορετικό αριθμό εισροών, εκροών και αριθμό μονάδων. Επίσης, οι βαθμοί αποδοτικότητας των μονάδων των παραπάνω συνόλων ακολουθούν συγκεκριμένες κατανομές και γίνεται κατάλληλός διαχωρισμός των παραπάνω δεδομένων σε συγκεκριμένα διαστήματα. Τα πειραματικά αποτελέσματα δείχνουν ότι τα μοντέλα μηχανικής μάθησης μπορούν να προσεγγίσουν με υψηλή ακρίβεια τους βαθμούς αποδοτικότητας της περιβάλλουσας ανάλυσης. Ωστόσο, προκύπτει ότι οι μηχανές διανυσμάτων υποστήριξης, για όλα τα πλήθη δεδομένων και για όλες τις κατανομές, παρουσιάζουν συνολικά καλύτερη και πιο σταθερή απόδοση σε σχέση με τα τεχνητά νευρωνικά δίκτυα. Επίσης, τα αποτελέσματα που παράχθηκαν από τα μοντέλα μηχανικής μάθησης ικανοποιούν τις ιδιότητες των μοντέλων της DEA. Συμπερασματικά η συγκεκριμένη προσέγγιση μπορεί να χρησιμοποιηθεί σε περιπτώσεις μεγάλης κλίμακας δεδομένων όπου οι παραδοσιακές μέθοδοι DEA καθίστανται χρονοβόρες και μη πρακτικές. Ταυτόχρονα, αφήνει χώρο για μελλοντική έρευνα στον τομέα των δεδομένων μεγάλης κλίμακας, τεχνητά νευρωνικά δίκτυα καθώς και στον χώρο της τεχνητής νοημοσύνης

2026-09-01T00:00:00Z Μαρούκλα, Ειρήνη https://dione.lib.unipi.gr/xmlui/handle/unipi/19773 2026-09-23T23:35:15Z 2026-07-01T00:00:00Z

Διαχείριση ψηφιακής περιήγησης σε μεγάλους χώρους πολιτιστικής κληρονομιάς : μοντέλο παραμετροποίησης περιεχομένου και υποδομών για δημόσιους φορείς Μαρούκλα, Ειρήνη Η παρούσα διπλωματική εργασία αναπτύσσει και τεκμηριώνει ένα μοντέλο διαχείρισης προσαρμοστικής ψηφιακής περιήγησης για μεγάλους χώρους πολιτιστικής κληρονομιάς, με κεντρικό άξονα τις ανάγκες δημόσιων φορέων. Η έρευνα εκκινεί από τη διαπίστωση ότι πολλές εφαρμογές ξενάγησης υποβαθμίζονται με την πάροδο του χρόνου όχι λόγω αδυναμιών της διεπαφής, αλλά λόγω ελλιπούς διακυβέρνησης: ασάφεια ρόλων, απουσία ροών έγκρισης και δυσκολία συντήρησης περιεχομένου και υποδομών. Προτείνεται εννοιολογικό πλαίσιο που μεταφράζει χαρακτηριστικά χώρου, προφίλ επισκεπτών, επιχειρησιακούς περιορισμούς και διαθέσιμες υποδομές σε ρητές, παραμετροποιήσιμες αποφάσεις για περιεχόμενο, διαδρομές, ζώνες ενεργοποίησης και κανόνες λειτουργίας. Το μοντέλο υλοποιείται μέσω κεντρικής διαδικτυακής πλατφόρμας διαχείρισης, η οποία ενοποιεί οντότητες όπως χώροι, σημεία ενδιαφέροντος, κατηγορίες περιεχομένου, διαδρομές, χρήστες, ειδοποιήσεις και εποπτεία εξοπλισμού πεδίου. Δίνεται έμφαση σε μη παρεμβατικές τεχνολογίες εντοπισμού και συμφραζόμενης ενεργοποίησης περιεχομένου με BLE beacons, καθώς και σε υβριδική λειτουργία σε περιβάλλοντα μεταβλητής συνδεσιμότητας. Η ανάπτυξη του πρωτοτύπου πραγματοποιήθηκε με υποβοηθούμενη από τεχνητή νοημοσύνη προσέγγιση, ως εργαλείο υλοποίησης προδιαγεγραμμένων λειτουργικών απαιτήσεων. Η αξιολόγηση πραγματοποιήθηκε με τέσσερις μη τεχνικούς χρήστες από διαφορετικά διοικητικά τμήματα, μέσω εκπαίδευσης, καθοδηγούμενης εκμάθησης, εκτέλεσης ρεαλιστικών εργασιών, δομημένου τεστ και ερωτηματολογίου αποδοχής. Τα αποτελέσματα δείχνουν πολύ υψηλή ευχρηστία, θετική αντίληψη ποιότητας και ισχυρή πρόθεση χρήσης, ενώ αναδεικνύουν ως βασική κατεύθυνση βελτίωσης την ωρίμανση των ροών διακυβέρνησης. Συνολικά, η εργασία καταδεικνύει ότι η ψηφιακή περιήγηση πρέπει να αντιμετωπίζεται ως εξελίξιμο σύστημα διοίκησης και όχι ως μεμονωμένη εφαρμογή, υποστηρίζοντας διοικητική συνέχεια, κλιμάκωση σε πολλαπλούς χώρους και κεντρική εποπτεία. Παράλληλα, ο συνδυασμός ενσωματωμένων walkthroughs, downloadable υλικού και τυποποιημένης αξιολόγησης προτείνεται ως μόνιμος μηχανισμός οργανωσιακής μνήμης, ώστε νέοι διαχειριστές να εντάσσονται γρήγορα, να μειώνεται η εξάρτηση από άτομα και να διατηρείται σταθερή λειτουργία σε συνθήκες εναλλαγής προσωπικού σε πολλαπλούς φορείς.

2026-07-01T00:00:00Z