Avaliação da robustez adversarial de modelos de visão e linguagem contra ataques de caixa-preta direcionados

Souza, Leonardo

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Moura, Pedro Nuno de Souza
dc.contributor.author	Souza, Leonardo
dc.date.accessioned	2026-05-15T15:37:15Z
dc.date.available	2026-05-15T15:37:15Z
dc.date.issued	2025-09-29
dc.identifier.citation	SOUZA, Leonardo. Avaliação da robustez adversarial de modelos de visão e linguagem contra ataques de caixa-preta direcionados. 101f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2025.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15129
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Avaliação da robustez adversarial de modelos de visão e linguagem contra ataques de caixa-preta direcionados	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.referee	Moura, Pedro Nuno de Souza
dc.contributor.referee	Gatti, Maíra Athanázio de Cerqueira
dc.contributor.referee	Mello, Carlos Eduardo Ribeiro de
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Vision-Language Models (VLM)	pt_BR
dc.subject.en	Adversarial Robustness	pt_BR
dc.subject.en	Black-box Attacks	pt_BR
dc.subject.en	Deep Learning	pt_BR
dc.subject.en	AI Security	pt_BR
dc.description.abstracten	This dissertation presents a critical evaluation of the adversarial robustness of Vision-Language Models (VLMs) against targeted black-box attacks. As models integrating image and text processing become central to critical applications, their susceptibility to adversarial examples — small, imperceptible perturbations that lead the model to incorrect conclusions — becomes a fundamental security concern. The research focuses on "black-box" scenarios, where the attacker has no access to the model's weights or architecture. The work proposes methodologies to test this vulnerability and analyzes how different VLM architectures respond to manipulation attempts, contributing to the development of more resilient and secure AI systems.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta dissertação apresenta uma avaliação crítica da robustez adversarial de Modelos de Visão e Linguagem (VLMs) face a ataques de caixa-preta direcionados. À medida que modelos que integram processamento de imagem e texto se tornam centrais em aplicações críticas, a sua suscetibilidade a exemplos adversariais — pequenas perturbações impercetíveis que levam o modelo a conclusões erradas — torna-se uma preocupação de segurança fundamental. A investigação foca-se em cenários de "caixa-preta", onde o atacante não tem acesso aos pesos ou à arquitetura do modelo. O trabalho propõe metodologias para testar esta vulnerabilidade e analisa como diferentes arquiteturas de VLM respondem a tentativas de manipulação, contribuindo para o desenvolvimento de sistemas de IA mais resilientes e seguros.	pt_BR
dc.subject.pt	Modelos de Visão e Linguagem (VLM)	pt_BR
dc.subject.pt	Robustez Adversarial	pt_BR
dc.subject.pt	Ataques de Caixa-Preta	pt_BR
dc.subject.pt	Aprendizagem Profunda (Deep Learning)	pt_BR
dc.subject.pt	Segurança em IA	pt_BR