Banca de DEFESA: LUIS VINICIUS LAURIANO DE FRANÇA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: LUIS VINICIUS LAURIANO DE FRANÇA
DATA : 29/07/2025
HORA: 10:00
LOCAL: Virtual
TÍTULO:

Balanceamento de dados para mitigar vieses amostrais e algoritmicos: um estudo comparativo

PALAVRAS-CHAVES:

Aprendizado de Máquina. Justiça Algorítmica. Viés.
Balanceamento de Dados. Justiça

 

PÁGINAS: 87
RESUMO:

A crescente aplicação de modelos de aprendizado de máquina em decisões de
alto impacto social exige uma análise rigorosa de seus potenciais vieses. A
justiça algorítmica é um campo de pesquisa fundamental, que frequentemente
lida com desafios técnicos como o desbalanceamento de grupos sociais, onde
a sub-representação de grupos pode levar a resultados discriminatórios.
Técnicas de balanceamento de dados são amplamente utilizadas para melhorar
a performance preditiva nesses cenários, mas seu impacto sobre a equidade
do modelo é pouco compreendido. O objetivo deste trabalho foi, portanto,
investigar empiricamente o trade-off entre performance preditiva e justiça
algorítmica ao aplicar um conjunto de dez técnicas de balanceamento de
dados. Para tal, foi conduzido um estudo comparativo de larga escala,
avaliando dez abordagens de balanceamento de dados sobre oito bases de
dados distintas, com onze algoritmos de classificação. A análise foi
realizada sob uma ótica dupla, utilizando medidas para mensurar a
performance e um conjunto de cinco métricas de justiça, calculadas com a
biblioteca DALEX, para avaliar a justiça. Os resultados demonstram que a
eficácia de cada técnica é altamente dependente do contexto da base de
dados. Enquanto técnicas de sobreamostragem, como o SMOTE, frequentemente
ofereceram um bom equilíbrio entre ganho de performance e mitigação de
viés, abordagens de subamostragem agressiva mostraram-se capazes de
degradar a equidade em cenários de desbalanceamento severo, evidenciando um
trade-off crítico. Conclui- se que não existe uma técnica de balanceamento
universalmente superior e que a construção de modelos de aprendizado de
máquina justos exige uma avaliação conjunta e contextual de múltiplas
métricas. Este trabalho contribui com um mapeamento empírico dos efeitos
dessas técnicas, oferecendo um guia prático para a seleção de estratégias
de mitigação de viés de forma mais consciente e responsável.

 

MEMBROS DA BANCA:
Presidente - 1089145 - JUSCIMARA GOMES AVELINO
Externo à Instituição - PERICLES BARBOSA CUNHA DE MIRANDA - UFRPE
Interno - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO