04ago2025
10:00 Defesa de Mestrado Sala 85 do IC2
Tema
Geração de Dados de Condições de Condução Sintéticas Utilizando Redes Geradoras Adversárias Federadas
Aluno
David de Melo Almeida dos Reis
Orientador / Docente
Allan Mariano de Souza
Breve resumo
A segurança viária permanece como um desafio global, especialmente em cenários nos quais fatores comportamentais e ambientais influenciam fortemente a tomada de decisão dos condutores. Modelos de aprendizado de máquina desempenham um papel crucial na promoção da segurança e na tomada de decisões informadas, ao aprenderem ações eficazes com base nas condições do tráfego. No entanto, o treinamento desses modelos exige acesso a dados dos usuários, o que pode comprometer a privacidade dos condutores e expor informações sensíveis. Com o objetivo de contornar esse problema, este estudo propõe uma solução para a geração de dados sintéticos de condições de condução utilizando uma abordagem de Aprendizado Federado combinada com Redes Geradoras Adversárias (GAN). Esse método permite o treinamento de modelos distribuídos entre múltiplos clients federados, preservando a privacidade dos dados ao evitar seu compartilhamento direto. A partir do uso do conjunto de dados Harmony, métricas de similaridade, como a Distância Euclidiana e a Divergência de Kullback-Leibler, foram incorporadas à função de perda da GAN com o intuito de aprimorar a qualidade dos dados sintéticos gerados. Os resultados demonstram que a abordagem proposta é capaz de gerar dados realistas de condições de condução, viabilizando o treinamento centralizado de modelos ao mesmo tempo em que mantém a privacidade dos usuários, evidenciando seu potencial para aplicações em segurança viária com foco na proteção da privacidade.
Banca examinadora
Titulares:
| Allan Mariano de Souza | IC/UNICAMP |
| Luiz Fernando Bittencourt | IC/UNICAMP |
| Joahannes Bruno Dias da Costa | ICT/UNIFESP |
Suplentes:
| Juliana Freitag Borin | IC/UNICAMP |
| Vinícius Fernandes Soares Mota | CT/UFES |