Extração Descentralizada de Regras de Associação em Bases de Dados Embarcadas de Dispositivos Internet das Coisas
Bibliographic record
Abstract
Embora extração de conhecimento de bases de dados seja geralmente realizada em arquiteturas centralizadas, sua execução em cenário descentralizado é um desafio computacional importante, especialmente quando realizadas no contexto da Internet das Coisas onde há as rigorosas restrições de armazenamento e processamento nos dispositivos. Para contornar tais restrições, este artigo apresenta um método para minerar correlações implícitas entre as ações disponíveis nos dispositivos IoT através da análise associativa embarcada. Baseada nas variações das métricas support, lift e confidence, o método proposto identifica as correlações mais relevantes entre pares de ações de diferentes dispositivos e sugere-as ao usuário como forma de integração através de requisições HTTP. Os experimentos mostraram que, em média, as regras mais relevantes foram as mesmas em ambas arquiteturas para 99.75% dos casos. Além disso, o método proposto foi capaz de identificar correlações relevantes que não foram identificadas pela arquitetura centralizada, reforçando assim o entendimento positivo de que a análise do padrão de ações dos dispositivos é uma abordagem eficiente para prover um ambiente IoT altamente integrado e inteligente apesar das restrições existentes em cenários descentralizados.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".