Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa. DISCENTE: KARLA FELICIA CARVALHO DA SILVA DATA: 29/08/2025 HORA: 14:00 TÍTULO: Impacto das técnicas de equilíbrio de classes na privacidade: uma análise dos ataques de inferência de associação PALAVRAS-CHAVES: Machine Learning, Inference Attack, Justiça, conjuntos de dados desbalanceados. PÁGINAS: 46 GRANDE ÁREA: Ciências Exatas e da Terra ÁREA: Ciência da Computação SUBÁREA: Metodologia e Técnicas da Computação RESUMO: O uso de modelos de aprendizado de máquina treinados com conjuntos de dados desequilibrados que contêm informações confidenciais tem levantado preocupações em matéria de privacidade. Uma dessas preocupações é a vulnerabilidade ao ataque de inferência de associação (Membership Inference Attack - MIA), que revela se um ponto de dados específico foi ou não utilizado para treinar um modelo. Neste contexto, uma área que tem sido negligenciada é se o método para lidar com o desequilíbrio de classes para treinar classificadores com algoritmos de aprendizagem supervisionada padrão que esperam um cenário com classes equilibradas aumenta o vazamento de informações sensíveis. Para preencher esta lacuna, realizámos uma série de avaliações empíricas de MIA com conjuntos de dados desequilibrados do mundo real para avaliar esta questão. Os nossos resultados mostram que os métodos para garantir o equilíbrio do classificador podem aumentar significativamente o desempenho dos ataques MIA. Isto tem implicações para os cientistas que estudam as defesas contra ataques nestes cenários com conjuntos de dados desequilibrados. MEMBROS DA BANCA: Presidente - 1564359 - LUCIANO REIS COUTINHO Interno - 2074474 - TIAGO BONINI BORCHARTT Externo ao Programa - 751.764.243-04 - VINICIUS PONTE MACHADO Co-orientador - 1014571 - ANTONIO DE ABREU BATISTA JÚNIOR
