Este trabalho investiga empiricamente o trade-off tridimensional entre privacidade, utilidade e performance computacional do algoritmo DP-SGD aplicado a CNNs no dataset MNIST. O estudo avalia quatro configurações de privacidade (ε ∈ {0.5, 1.0, 2.0, ∞}) utilizando hardware de médio porte (RTX 4060), revelando que ε = 2.0 representa o equilíbrio ótimo, atingindo 89.4% de acurácia com 71.7% de redução no tempo de treinamento. Configurações com ε < 1.0 exibem alta variância, enquanto o overhead constante de ~5% por época demonstra a viabilidade prática do DP-SGD em hardware modesto.
26-33
Palmas-TO
e-ISSN:2447-0767
Luís Fernando Borges Lima; Carlos Eduardo Ribeiro Oliveira; Paulo Miguel Benevenuto; Fábio Castro Araújo. Análise Empírica do Impacto da Privacidade Diferencial na Eficiência de Modelos de Redes Neurais Profundas. In: ENCOINFO - Congresso de Computação e Tecnologias da Informação, 27., 2025, Palmas - TO. Anais [...]. Palmas - TO: CEULP/ULBRA, 2025. p. 26 - 33. ISSN e-ISSN: 2447-0767 versão online. Disponível em: https://ulbra-to.br/encoinfo/edicoes/2025/artigos/analise-empirica-do-impacto-da-privacidade-diferencial-na-eficiencia-de-modelos-de-redes-neurais-profundas/. Acesso em: 19 mai. 2026