Mitigação de viés algorítmico em modelos de inteligência artificial generativa de imagem para representação da diversidade brasileira através de Low-Rank adaptation
| dc.contributor.advisor | Pina, Aloísio Carlos de | |
| dc.contributor.referee1 | Bastos, Daniel Chicayban | |
| dc.contributor.referee2 | Aquino, Gabriel Rodrigues Caldas de | |
| dc.creator | Souza, Hugo Abranches de | |
| dc.date.accessioned | 2026-03-31T15:26:48Z | |
| dc.date.available | 2026-05-16T03:09:00Z | |
| dc.date.issued | 2025-12-03 | |
| dc.description.resumo | Este trabalho investiga como mitigar vieses de representação em modelos de geração de imagens e aproximar suas saídas do repertório cultural brasileiro. O objetivo é estruturar e avaliar um processo reprodutível de criação de LoRA sobre a família Flux que reduza estereotipagem, aumente representatividade e preserve realismo em nível prático. A metodologia combina curadoria de imagens jornalísticas de alta qualidade, captioning controlado com o modelo Florence 2, inclusão de uma triggerword para acionar o ajuste e treinamento no ambiente FluxGym com parâmetros padrão e ambiente documentado para viabilizar a reprodução. A avaliação é feita por questionário cego com 60 respondentes profissionais de marketing, que comparam cinco fontes de imagem sob o mesmo prompt neutro, em três eixos de julgamento: realismo, representatividade e estereotipagem. Os resultados indicam que o Flux com LoRA obtém a melhor combinação entre os eixos, com aumento consistente de representatividade e redução de estereótipos em relação ao Flux sem ajuste, mantendo realismo próximo ao modelo base. Observa-se ainda que o sistema Gemini apresenta o maior realismo médio, mas menor representatividade e maior estereotipagem, enquanto o DALLÉ 3 se destaca por menor estereotipagem com realismo inferior. Conclui-se que intervenções simples, centradas em dados e rótulos e executadas com configuração adicional mínima, são capazes de deslocar o comportamento de modelos generativos para contextos locais com custo controlado. Como contribuição prática, disponibiliza-se publicamente o LoRA treinado e um protocolo de execução transparente, e propõem-se estudos futuros de ablação de hiperparâmetros e replicações em outros contextos étnico-culturais. | pt_BR |
| dc.embargo.terms | aberto | pt_BR |
| dc.identifier.uri | http://hdl.handle.net/11422/29004 | |
| dc.language | por | pt_BR |
| dc.publisher | Universidade Federal do Rio de Janeiro | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.publisher.department | Instituto de Computação | pt_BR |
| dc.publisher.initials | UFRJ | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Inteligência artificial generativa | pt_BR |
| dc.subject | Modelos de difusão | pt_BR |
| dc.subject | Viés algorítmico | pt_BR |
| dc.subject | Generative artificial intelligence | pt_BR |
| dc.subject | Difusion models | pt_BR |
| dc.subject | Algorithmic bias | pt_BR |
| dc.subject | Low-Rank Adaptation | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
| dc.title | Mitigação de viés algorítmico em modelos de inteligência artificial generativa de imagem para representação da diversidade brasileira através de Low-Rank adaptation | pt_BR |
| dc.type | Trabalho de conclusão de graduação | pt_BR |