Dia 01/09, às 15h, acontecerá o seminário “Prediction of User Privacy Preferences in Mobile Devices via Federated Learning”, proferido pelo professor João P. Vilela.
Seminário da Pós: “Prediction of User Privacy Preferences in Mobile Devices via Federated Learning”
Resumo do Seminário: The pervasiveness of always-connected mobile devices fostered a multitude of applications that provide contextualized services to users. Many of these services depend on access to significant amounts of user data, some of which is private and sensitive.
Although smartphones are usually equipped with permission managers that enable users to allow or deny app’s permission requests, the large number of applications and respective permission settings leads to hundreds of requests per day, thus making a fine grained control of such settings unfeasible. In this talk, we start by presenting the results of the COP-MODE project field study with 93 users and corresponding responses to over 65000 total permissions requests. As main highlights, our study revealed a strong misalignment between apps’ practices and user expectations, with nearly 50% of the requests unexpected by users, as well as 15% privacy violations, i.e. permissions that would be automatically allowed by current permission managers based on runtime permissions but were explicitly denied by users. Then, resorting to our dataset, we present methods for prediction of privacy preferences, that enable automated privacy protection for smartphone users. In contrast to previous works that require a trusted central entity to train the prediction models, our methods rely on federated learning for prediction of privacy preferences in a distributed manner, thus effectively predicting privacy preferences (F1- score of 0.9) while preserving user privacy even against a centralized server.
Conheça o Professor: João P. Vilela is a professor at the Department of Computer Science and director of the Master in Information Security of the University of Porto. He is also a senior researcher at INESC TEC and CISUC research centers. He was previously a professor at the Department of Informatics Engineering of the University of Coimbra, after receiving the Ph.D. in Computer Science in 2011 from the University of Porto, Portugal. He was also a visiting researcher at Georgia Tech, working on physical-layer security, and at MIT, working on security for network coding. In recent years, Dr. Vilela has been coordinator and team member of several national, bilateral, and European-funded projects in security and privacy. His main research interests are in security and privacy of computer and communication systems, with applications such as wireless networks, Internet of Things and mobile devices. Specific research topics include wireless physical-layer security, security of next-generation networks, privacy-preserving data mining, anonymization techniques, location privacy and automated privacy protection.
Assista o seminário pelo link: https://www.youtube.com/watch?v=1FtifhGplhQ
Autor: José Matheus Carvalho Boaro
Orientador: Sérgio Colcher
Data e Hora: 04/09/2023 às 15:00
Defesa de Dissertação de Mestrado do aluno Matheus Rodrigues de O. Leal.
Título da dissertação: “Serviço de alta disponibilidade, confiabilidade e transparência para registros imutáveis e irrevogáveis de dados de mobilidade”
Resumo: Uma abordagem para registrar informações de presença espacial-temporal de forma confiável, imutável e escalável usando uma arquitetura de tecnologia de ledger distribuído multicamadas (DLT), onde três camadas de DLT são usadas para armazenar informações de localização em níveis variáveis de abstração e agregação. Implementaram essa solução multicamadas como um serviço de middleware que usa processamento de eventos complexos em smartphones para registrar sinalizadores específicos de locais próximos em um DLT de forma eficiente.
Orientador: Prof. Dr. Markus Endler
Banca: Flávia Pisani | Sérgio Lifschitz | Arlindo Flavio da Conceição
Assista a defesa pelo link: https://zoom.us/j/7099156117?pwd=VXVxYnQvMjZmdnA1TlRmQmtrUTNrZz09
Defesa de Dissertação de Mestrado do aluno Gabriel Brito Cantergiani
Título da dissertação: EdgeSec – A Security framework for middlewares and edge devices in the Internet of Things (IoT)
Resumo: A importância da Internet das Coisas (IoT) tem aumentado significativamente nos últimos anos, e dispositivos IoT têm sido usados em diferentes indústrias e tipos de aplicação, como casas inteligentes, sensores industriais, veículos autônomos, wearables, etc. Apesar deste cenário trazer inovações tecnológicas, novas experiências para usuários, e novas soluções de negócio, também levanta preocupações relevantes relacionadas à segurança da informação e privacidade. Neste trabalho nós apresentamos o EdgeSec Framework, um novo framework de segurança para IoT desenvolvido como uma solução de segurança para os middlewares ContextNet e Mobile Hub. O seu objetivo principal é estender e melhorar uma arquitetura e uma implementação já existente para estes middlewares, criando uma solução mais genérica, robusta e flexível, e garantindo autenticação, autorização, integridade e confidencialidade de dados. O framework foi elaborado com foco na total extensibilidade através da introdução de interfaces de protocolos, que podem ser implementadas por plugins, tornando-o compatível com uma variedade de algoritmos de segurança e dispositivos IoT. Uma implementação completa foi realizada como prova de conceito, e testes de desempenho e experimentos foram realizados para avaliar a viabilidade da solução. Os resultados mostram que o EdgeSec Framework pode melhorar significativamente a segurança do Mobile Hub e diversos tipos de aplicações IoT através de uma maior compatibilidade e flexibilidade, e garantindo todas as proteções básicas de segurança.
Orientador: Prof. Dr. Markus Endler
Banca: Anderson Oliveira da Silva | Sérgio Colcher | Alexandre Malheiros Meslin
Assista a defesa pelo link: https://zoom.us/j/7099156117?pwd=VXVxYnQvMjZmdnA1TlRmQmtrUTNrZz09
#dissertação #mestrado #pesquisa #desenvolvimento #alunos #dipucrio
O Desafio PUC-Rio é uma iniciativa que tem como objetivo premiar jovens talentos que tenham optado por cursar Matemática, Química, Física, Ciência da Computação ou Engenharia da Computação. Há quatro desafios: Física, Informática, Matemática, e Química. Os dois mais bem colocados no Desafio de Informática serão agraciados com uma bolsa integral, fornecida pela Fundação Behring para os cursos de Ciência da Computação ou de Engenharia de Computação. Os dois mais bem colocados em cada um dos três demais desafios (Física, Matemática e Química) também serão agraciados com bolsas integrais. Desde 2007, mais de 75 alunos já foram contemplados com nossas Bolsas Desafio. Ainda há a chance de concorrer a bolsas por ser medalhista! Ao todo são 8 bolsas por provas desafio e mais 4 bolsas para medalhistas. Confira os editais.
Podem concorrer todos aqueles que estão inscritos no Vestibular PUC-Rio 2024
Confira mais informações no link: www.puc-rio.br/desafios
Defesa de Tese de Doutorado do aluno Georges Miranda Spyrides.
Título da tese: Binary Matrix Factorization Post-processing and Applications
Resumo: Novos métodos de fatoração de matrizes introduzem restrições às matrizes decompostas, permitindo tipos únicos de análise. Uma modificação significativa é a fatoração de matrizes binárias para matrizes binárias. Esta técnica pode revelar subconjuntos comuns e mistura de subconjuntos, tornando-a útil em uma variedade de aplicações, como análise de cesta de mercado, modelagem de tópicos e sistemas de recomendação. Apesar das vantagens, as abordagens atuais enfrentam um tradeoff entre precisão, escalabilidade e aplicabilidade. Enquanto os métodos baseados em gradiente descendente são escaláveis, eles geram altos erros de reconstrução quando limitados para matrizes binárias. Por outro lado, os métodos heurísticos não são escaláveis. Para superar isso, os autores propõem um procedimento de pós-processamento para discretizar matrizes obtidas por gradiente descendente. Esta nova abordagem recupera o erro de reconstrução após a limitação e processa com sucesso matrizes maiores dentro de um prazo razoável. Aplicamos esta técnica a muitas aplicações, incluindo um novo pipeline para descobrir e visualizar padrões em processos petroquímicos em batelada.
Orientador: Prof. Dr. Hélio Côrtes Vieira Lopes
Banca: Alex Laier Bordignon | Fernanda Araujo Baião | Bruno Fânzeres dos Santos | Eduardo Camponogara
Assista a defesa pelo link https://puc-rio.zoom.us/j/93775421656?pwd=TnNNb2kvMGZzSG9EbURRQ2FPYkpPZz09
Autor: Matheus Rodrigues de Oliveira Leal
Orientador: Markus Endler
Data e Hora: 29/08/2023 às 13:00
Autor: Gabriel Brito Cantergiani
Orientador: Markus Endler
Data e Hora: 25/08/2023 às 11:00
Autor: Georges Miranda Spyrides
Orientador: Hélio Côrtes Vieira Lopes
Data e Hora: 24/08/2023 às 16:15
Defesa de Dissertação de Mestrado do aluno Vinicius Gomes Pereira.
Título da dissertação: Improving text-toimage synthesis with U2C – Transfer Learning
Resumo: As Redes Generativas Adversariais (GANs) são modelos não supervisionados capazes de aprender a partir de um número indefinidamente grande de imagens. Entretanto, modelos que geram imagens a partir de linguagem dependem de dados rotulados de alta qualidade, que são escassos. A transferência de aprendizado é uma técnica conhecida que alivia a necessidade de dados rotulados, embora transformar um modelo gerativo incondicional em um modelo condicionado a texto não seja uma tarefa trivial. Este trabalho propõe uma abordagem de ajuste simples, porém eficaz, chamada U2C transfer. Esta abordagem é capaz de aproveitar modelos pré-treinados não condicionados enquanto aprende a respeitar as condições textuais fornecidas. Avaliamos a eficiência do U2C transfer ao ajustar o StyleGAN2 em duas das fontes de dados mais utilizadas para a geração images a partir de texto, resultando na arquitetura Text-Conditioned StyleGAN2 (TC-StyleGAN2). Nossos modelos alcançaram rapidamente o estado da arte nas bases de dados CUB-200 e Oxford-102, com valores de FID de 7.49 e 9.47, respectivamente. Esses valores representam ganhos relativos de 7% e 68%, respectivamente, em comparação com trabalhos anteriores. Demonstramos que nosso método é capaz de aprender detalhes refinados a partir de consultas de texto, produzindo imagens foto realistas e detalhadas. Além disso, mostramos que os modelos organizam o espaço intermediário de maneira semanticamente significativa. Nossas descobertas revelam que as imagens sintetizadas usando nossa técnica proposta não são apenas críveis, mas também exibem forte alinhamento com suas descrições textuais correspondentes. De fato, os escores de alinhamento textual alcançados por nosso método são impressionantemente comparáveis aos das imagens reais.
Orientador: Prof. Dr. Eduardo Sany Laber
Co-orientador: Prof. Dr. Jônatas Wehrmann
Banca: Prof. Dr. Sérgio Colcher
Prof. Dr. Julio Cesar Duarte
Suplentes: Prof. Dr. Fabio Andre Machado Porto
Prof. Dr. Edward Hermann Haeusler
Assista a defesa pelo link https://puc-rio.zoom.us/j/96595432451?pwd=b0c5Y1c2QzVkbWVGZWplZnBVeHZGZz09
