Dissertation defense (December 30, 2024): Lucas Daflon Scoralick
Student: Lucas Daflon Scoralick
Title: Aprimoramento da Detecção de Conluios com Aprendizado de Máquina: Explicabilidade e Análise dos Resultados
Advisor: Kele Teixeira Belloze
Committee: Kele Teixeira Belloze (CEFET/RJ), Diego Nunes Brandão (CEFET/RJ), Eduardo Bezerra da Silva (CEFET/RJ), Flavia Cristina Bernardini (UFF)
Day/Time: December 30, 2024 / 10 a.m.
Resumo: Conluios são acordos ou combinações secretas entre duas ou mais partes, geralmente para ganhar vantagem em algo ou prejudicar terceiros. A prática de conluios em licitações públicas perturba o equilíbrio de preços do mercado, impactando negativamente tanto os custos quanto a qualidade dos serviços públicos. Neste estudo, propõe-se uma metodologia para aprimorar os modelos de classificação de conluio, utilizando variáveis estatísticas combinadas com a análise de modelos explicáveis para explicação dos resultados. Os resultados mostraram uma melhora no desempenho de 0,04 à 0,25, utilizando a estratégia de balanceamento Smote, método de validação holdout 80% e 20% (treinamento e teste) e MCC como métrica de desempenho. A utilização dos modelos explicáveis SHAP, importância de atributos e LIME foram úteis para confirmar a contribuição das variáveis estatísticas para os modelos de aprendizagem de máquina. Além disso, a explicação de amostras com LIME demonstra potencial para explicação dos limites de decisão de classificação para atributos numéricos.