Divulgação - Defesa Nº 281

Aluno: Armando Pereira Pontes Júnior

Título: "Otimização de Hiperparâmetros de Modelos de Machine Learning para detectar Clientes em Risco de Crédito".

Orientadora: Roberta Andrade de Araújo Fagundes

Examinador Externo: Djalma Silva Guimarães Júnior (UPE)

Examinador Interno: Carlo Marcelo Revoredo (PPGEC)

Data-hora: 29 de Setembro de 2023 às 14:00.
Local: Miniauditório, bloco B, POLI/UPE

---

Resumo:

         "A avaliação de risco de crédito tem um papel fundamental para as instituições financeiras por estar associada a possíveis perdas que geram fortes impactos nos resultados financeiros. A indústria financeira necessita implementar soluções mais assertivas, rápidas e de menor custo para tarefa de avaliar bons e maus pagadores. Métodos de aprendizado de máquina (machine learning – ML) estão cada vez mais presentes e sendo utilizados por essas instituições. Além disso, o uso de técnicas de otimização de hiperparâmetros tentam melhorar o desempenho das máquinas preditivas. Neste trabalho foram aplicadas duas importantes técnicas de otimização em conjunto com seis classificadores: Regressão Logística (RL), Decision Tree (DT), Random Forest (RF), Multi Layer Perceptron (MLP), eXtreme Gradient Boost (XGBoost) e Light Gradient Boost Machine (LGBM). Os desempenhos dos classificadores foram mensurados a partir das métricas Accuracy, Precison, Recall, F1-Score, Área sobre a Curva ROC (AUC) e tempo de processamento (como uma proxy para o custo computacional). Os modelos foram treinados e testados em duas bases de crédito: German Credit e em um conjunto de dados de uma Cooperativa com atuação no Brasil. Inicialmente, foram utilizadas as configurações padrões dos hiperparâmetros dos modelos escolhidos, para, posteriormente, aplicar as técnicas de otimização Bayesiana e por Particle Swarm Optimization (PSO) com intuito de alcançar as melhores combinações de hiperparâmetros, e incrementar os primeiros resultados observados. A otimização bayesiana apresentou melhorias em todas as métricas dos modelos, com destaque para o Recall, obtendo um resultado de 91,4% no MLP. Por outro lado, a otimização por PSO não apresentou bons resultados quando comparados com os da primeira técnica de otimização. Por fim, foi aplicado um teste estatístico para comparar e validar os resultados obtidos pelos modelos.”

Divulgação - Defesa Nº 280

Aluno: Júlio César Gomes de Barros

Título: "Um estudo empírico sobre a evolução das características temporais em ataques de phishing".

Orientador: Carlo Marcelo Revoredo da Silva

Coorientador: Bruno José Torres Fernandes

Examinador Externo: Eduardo Luzeiro Feitosa (UFAM)

Examinador Interno: Cleyton Mario de Olveira Rodrigues (PPGEC)

Data-hora: 29 de Setembro de 2023 às 10:00.
Local: Formato Remoto.

---

Resumo:

         Phishing é um método de ataque cibernético no qual os agressores tentam ludibriar indivíduos para obter informações confidenciais, como senhas e dados financeiros, frequentemente por meio de mensagens falsas ou sites fraudulentos. No cenário dinâmico do phishing, os ataques se adaptam constantemente, a fim de evitar detecções. Soluções anti-phishing envolvem o desenvolvimento de ferramentas e técnicas para identificar, bloquear e prevenir esses ataques, muitas vezes combinando análise de características estáticas e dinâmicas para combater a evolução das ameaças. Diante desse problema, esta pesquisa teve como objetivo analisar os comportamentos temporais e dinâmicos, a fim de construir um alicerce técnico capaz de favorecer a criação ou aprimoramento de sistemas para a detecção de páginas de phishing. Para isso, a pesquisa adotou uma abordagem empírica, culminando na criação da base de dados Piracema. Através da análise de seus registros, foi possível investigar a evolução das características dinâmicas dos ataques ao longo do tempo, bem como o relacionamento entre as características e sua relevância na identificação das ameaças. A análise contemplou nove características dinâmicas específicas, e os resultados obtidos evidenciaram padrões de comportamento variados, fornecendo insights sobre a mutabilidade e a persistência dessas características. Portanto, por meio deste estudo, tornou-se possível discernir características do phishing que demonstraram diferentes níveis de impacto ao longo do tempo. Essa constatação oferece uma base valiosa para a formulação de estratégias anti-phishing mais eficazes, as quais incorporam a análise do cenário temporal e dinâmico das ameaças cibernéticas, reforçando a segurança digital em um ambiente em constante evolução.

Divulgação - Defesa Nº 279

Aluno: Leonides Medeiros Neto

Título: "A Comparative Analysis of Converters for Tabular Data into Image for Convolutional Neural Networks".

Orientadora: Patricia Takako Endo

Examinador Externo: Ivanovitch Silva (UFRN)

Examinador Interno: Diego Pinheiro (PPGEC)

Data-hora: 22 de Setembro de 2023 às 14:00.
Local: Formato Remoto

---

Resumo:

         Os avanços na tecnologia permitiram a extração de enormes quantidades de dados como tabular, texto, imagens e som. Dentre eles, dados tabulares têm sido utilizados na literatura e indústria com modelos de Machine Learning (ML), como algoritmos baseados em árvore. No entanto, existe um tipo de ML chamado Deep Learning (DL) que alcança bons desempenhos com dados como imagens, mas não é comumente utilizado com dados tabulares. Mesmo assim, o uso de DL com dados tabulares é possível convertendo os dados em imagens para treinar Redes Neurais Convolucionais (CNN). O principal objetivo desta dissertação é comparar o desempenho de modelos CNN treinados em dados tabulares de saúde convertidos em imagens por diferentes conversores, identificar o melhor conversor e comparar a CNN proposta com os modelos ML. Os conversores irão converter conjuntos de dados de saúde para treinar os modelos CNN, então fazemos uma análise comparativa. Os resultados sugerem que os modelos CNN podem ser treinados usando imagens convertidas de dados tabulares. E mesmo um modelo básico de CNN pode alcançar desempenhos próximos ao de um algoritmo de ML baseado em árvore.