Banca de QUALIFICAÇÃO: LUIZ FERNANDO FONSÊCA PINHEIRO DE LIMA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: LUIZ FERNANDO FONSÊCA PINHEIRO DE LIMA
DATA: 28/07/2026
HORA: 16:00
LOCAL: Online
TÍTULO: Mitigação de Vieses Interseccionais Indesejados com Aprendizado Adversarial
PALAVRAS-CHAVES: Viés Algorítmico; Desenviesamento Adversarial; Equidade Interseccional.
PÁGINAS: 61
RESUMO: Modelos de aprendizado de máquina são cada vez mais empregados em domínios de tomada de decisão de alto risco, levantando preocupações quanto à discriminação algorítmica e ao tratamento injusto de grupos historicamente marginalizados. Embora o desenviesamento adversarial tenha demonstrado resultados promissores na mitigação da discriminação em contextos tradicionais de equidade de grupo, as abordagens existentes focam predominantemente em um ́único atributo protegido, negligenciando as desvantagens cumulativas vivenciadas por indivíduos na interseção de múltiplas identidades sociais. Esta tese investiga o uso do aprendizado adversarial para promover a equidade interseccional em modelos de aprendizado de máquina. Propomos duas arquiteturas adversariais inspiradas em métodos de remoção de viés adversarial: uma abordagem Multi-Adv, na qual múltiplos adversários predizem independentemente os atributos protegidos, e uma abordagem Single-Adv, na qual um ́único adversário busca reconstruir o espaço conjunto de atributos protegidos. Para avaliar sistematicamente essas arquiteturas, definimos um protocolo de benchmark que abrange a seleção do conjunto de dados, procedimentos de pré-processamento, métricas (performance preditiva, equidade de grupo e equidade interseccional), testes de significância estatística e análises de interações adversariais usando similaridade de cosseno de gradiente. Foram realizados experimentos nos conjuntos de dados Adult, COMPAS e German Credit, considerando atributos protegidos tanto binários quanto categóricos. Os resultados indicam que o aprendizado adversarial para equidade interseccional permanece desafiador e altamente dependente das características dos atributos protegidos e dos conjuntos de dados. A arquitetura Multi-Adv proposta apresentou eficácia limitada quando os atributos protegidos foram binarizados, frequentemente levando a reduções tanto na equidade de grupo quanto na equidade interseccional. No entanto, melhorias na equidade de grupo foram observadas em cenários envolvendo atributos protegidos categóricos, particularmente nos conjuntos de dados Adult e COMPAS, embora os ganhos em equidade interseccional tenham sido inconsistentes. Essas descobertas sugerem que a competição entre objetivos dos modelos adversariais e as disparidades entre subgrupos interseccionais podem prejudicar a eficácia das estratégias atuais de desviesamento adversarial. Este trabalho contribui com novas arquiteturas adversariais, uma estrutura de benchmark reproduzível para pesquisa em equidade interseccional e evidências empíricas que destacam os desafios e as oportunidades de estender os métodos de desviesamento adversarial além dos cenários tradicionais de equidade de grupo.
MEMBROS DA BANCA:
Presidente(a) - 1723491 - CLAUIRTON DE ALBUQUERQUE SIEBRA
Interno(a) - 2813926 - TIAGO MARITAN UGULINO DE ARAUJO
Externo(a) ao Programa - 1095991 - DANIELLE ROUSY DIAS RICARTE
Externo(a) à Instituição - BETANIA SILVA CARNEIRO CAMPELLO
Externo(a) à Instituição - LILIAN BERTON
Externo(a) à Instituição - SANDERSON MOLICK SILVA