| Processo: | 23/14759-0 |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Doutorado |
| Data de Início da vigência: | 15 de abril de 2024 |
| Data de Término da vigência: | 14 de abril de 2025 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Agma Juci Machado Traina |
| Beneficiário: | Erikson Júlio de Aguiar |
| Supervisor: | Abdelsalam Helal |
| Instituição Sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Instituição Anfitriã: | University of Florida, Gainesville (UF), Estados Unidos |
| Vinculado à bolsa: | 21/08982-3 - Segurança e privacidade em modelos de aprendizagem de máquina para imagens médicas contra ataques adversários, BP.DR |
| Assunto(s): | Aprendizagem profunda Aprendizado federado |
| Palavra(s)-Chave do Pesquisador: | Backdoor attacks | Deep Learning | Digital Health | Federated Learning | Privacy-preserving | Deep Learning |
Resumo Em contextos médicos, os dados podem ser recolhidos a partir de fontes heterogêneas, como máquinas de raio-X, exames de sangue, dispositivos portáteis e dispositivos da Internet das Coisas. As estratégias de Inteligência Artificial (IA), como a Aprendizagem Profunda (AP), podem combinar estes dados para descobrir padrões e anomalias. O DL é especializado na classificação de imagens médicas para ajudar os médicos no diagnóstico. Embora a IA possa aumentar a capacidade dos sistemas computacionais para resolver problemas complexos, pode apresentar problemas de segurança e privacidade. As preocupações com a privacidade ganharam atenção nos últimos anos devido à regulamentação da privacidade e à sensibilização para a segurança contra ataques de backdoor que corrompem os modelos. A aprendizagem federada (FL) é uma estratégia que aumenta a privacidade dos modelos de DL porque treina os modelos sem partilhar o conjunto de dados sensíveis entre os clientes. No entanto, a FL pode sofrer ataques de backdoor e ataques de privacidade mais robustos, como os ataques de interferência de membros. Pretendemos desenvolver novas técnicas para melhorar a privacidade dos sistemas e estratégias defensivas contra backdoors. O estágio será realizado na Universidade da Flórida (UF), EUA, supervisionado pelo Prof. Dr. Sumi Helal. Os objetivos deste projeto abrangem os interesses tanto do projeto temático da FAPESP ``Mining, Index and Visualizing Big Data in Clinical Decision Support Systems" -- (MIVisBD) quanto da pesquisa realizada na UF pelo Prof. Helal. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |