@MASTERSTHESIS{ 2025:1438813358,
 	title = {Impacto das técnicas de equilíbrio de classes na privacidade: uma análise dos ataques de inferência de associação},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6610",
 	abstract = "O uso de modelos de aprendizado de máquina treinados com conjuntos de dados
 desbalanceados 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.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}