A Novel Privacy-Preserving Method for Graphs with Autoencoder Representations (2025)
- Authors:
- Autor USP: OLIVEIRA, GUSTAVO LIMA DE - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2025.tde-13082025-141242
- Subjects: APRENDIZADO COMPUTACIONAL; GRAFOS ALEATÓRIOS; INFORMAÇÃO; INTERAÇÃO USUÁRIO-COMPUTADOR
- Keywords: Aprendizado de preservação de privacidade; Autoencoder para grafos; Graph autoencoder; Graph-based representation; Privacy-preserving learning
- Agências de fomento:
- Language: Inglês
- Abstract: Compartilhar dados de maneira pública ou entre entidades com interesses semelhantes pode resultar no desenvolvimento de aplicações mais robustas e na solução de problemas complexos. No contexto do aprendizado de máquina, por exemplo, o treinamento de modelos com diversas fontes de dados aumenta a eficiência e a eficácia das soluções desenvolvidas. Com a utilização e a geração massiva de dados em sistemas computacionais, torna-se cada vez mais essencial implementar soluções que possibilitem a análise e a extração de informações latentes de grandes volumes de dados. Entretanto, uma preocupação crescente nesse cenário é a privacidade e a segurança das informações sensíveis dos usuários. Em todo o mundo, surgiram leis e ferramentas regulatórias com o objetivo de prevenir vazamentos e proteger a integridade das informações armazenadas. Além dos vazamentos decorrentes de estratégias de engenharia social, dados que foram anonimizados por métodos tradicionais podem, ainda assim, ser revelados. Com a evolução dos modelos de aprendizado de máquina, as táticas de ataque aos dados tornaram-se mais sofisticadas. Nesse contexto, estratégias baseadas em grafos têm se mostrado promissoras, pois capturam de forma implícita os atributos e relacionamentos entre as instâncias do conjunto de dados. Diante dos desafios apresentados, esta dissertação propõe um avanço na preservação da privacidade em estratégias baseadas em grafos. Por meio do uso de autoencoders, buscamos penalizar a classificaçãocorreta dos atributos sensíveis, ao mesmo tempo em que mantemos a utilidade dos dados para tarefas subsequentes. O método foi aplicado em diversos contextos e fontes de dados, como informações médicas e de redes sociais, e demonstrou resultados significativos em comparação com abordagens tradicionais, especialmente quando existe uma forte correlação entre os dados úteis e os dados privados. Por fim, entre as principais contribuições desta dissertação destacam-se: (i) um método para a geração de grafos k-NN que leva em consideração a privacidade; (ii) um método específico para dados médicos que utiliza rede heterogênea de informações; e (iii) uma abordagem voltada para dados não estruturados provenientes de redes sociais.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 03.04.2025
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
OLIVEIRA, Gustavo Lima de. A Novel Privacy-Preserving Method for Graphs with Autoencoder Representations. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13082025-141242/. Acesso em: 29 dez. 2025. -
APA
Oliveira, G. L. de. (2025). A Novel Privacy-Preserving Method for Graphs with Autoencoder Representations (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13082025-141242/ -
NLM
Oliveira GL de. A Novel Privacy-Preserving Method for Graphs with Autoencoder Representations [Internet]. 2025 ;[citado 2025 dez. 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13082025-141242/ -
Vancouver
Oliveira GL de. A Novel Privacy-Preserving Method for Graphs with Autoencoder Representations [Internet]. 2025 ;[citado 2025 dez. 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13082025-141242/
Informações sobre o DOI: 10.11606/D.55.2025.tde-13082025-141242 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
