Linha de pesquisa: Sistemas de Computação

Resumo: Os ataques adversariais têm se mostrado uma ameaça crítica à confiabilidade de modelos de aprendizado profundo aplicados ao processamento de imagens médicas. Técnicas como o Fast Gradient Sign Method (FGSM), o Iterative Fast Gradient Sign Method (I-FGSM), também conhecido como Basic Iterative Method (BIM), e o Projected Gradient Descent (PGD) podem induzir erros significativos de predição, comprometendo a precisão diagnóstica e a segurança do paciente. Para enfrentar esse desafio, este trabalho propõe uma abordagem inovadora denominada Genetic Algorithm-based Adaptive Compression (GA-AC), desenvolvida para recuperar imagens perturbadas por diferentes tipos de ataques adversariais. O método GA-AC utiliza um algoritmo genético para otimizar parâmetros de compressão de imagens, com o objetivo de maximizar o Peak Signal-toNoise Ratio (PSNR) e o Structural Similarity Index Measure (SSIM), preservando assim as características diagnósticas essenciais das imagens restauradas. Os experimentos realizados com múltiplas imagens de raios-X demonstraram a eficácia do GA-AC, que foi capaz de restaurar o desempenho dos modelos após diferentes ataques adversariais, recuperando, por exemplo, o F1-score de 24,14% para 98,10% após o ataque FGSM, e apresentando resultados igualmente robustos frente aos ataques I-FGSM, e PGD.

Link para a defesa: https://meet.google.com/hgk-yzke-dfq