Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/jspui/handle/123456789/15981
Title: Utilizando aprendizado por representação para a classificação de laços sociais da IoT
Authors: Pereira Júnior, Jamisson Jader Moraes
Figueiredo, Thiago Silva
Lopes, Ramon
Torres, Luiz Carlos Bambirra
Santos, Bruno P
Issue Date: 2022
Citation: PEREIRA Júnior, J. J. M. et al. .Utilizando aprendizado por representação para a classificação de laços sociais da IoT. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 6. , 2022, Fortaleza. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . Disponível em: <https://sol.sbc.org.br/index.php/courb/article/view/21448>. Acesso em 18 jan. 2023.
Abstract: A Internet of Things (IoT) tem sido marcada pelas interações entre dispositivos que cooperam para realizar atividades. A partir deste ambiente cibernético e conectado, um possível paradigma derivado é o Social IoT (SIoT), onde múltiplos tipos de relacionamentos e confiabilidade podem ser estabelecidos entre dispositivos. Neste cenário, abordamos as questões de como modelar lac¸os sociais em IoT e na proposição de modelos para, automaticamente, classificar e predizer relações em SIoT. Este artigo propõe a utilização de aprendizado por representação para classificar diferentes tipos de lac¸os sociais em SIoT. Para isso, utiliza-se como estratégias para classificação Graph Neural Networks (GNN) ou Algoritmos Tradicionais de Classificação (ATC). Em nossos experimentos, GNN é rápido na etapa de treinamento e apresenta métricas F1-{macro, micro} de 0.61 e 0.88, respectivamente. Ao usar ATC, o treinamento ´e 121× at´e 11.235× mais lento que GNN, ao passo que as métricas F1-score alcançam 0.86 e 0.95, respetivamente.
metadata.dc.description.abstracten: The Internet of Things (IoT) has been marked by the interactions between devices that cooperate in a common goal. From this connected cyberphisical environment, the Social IoT (SIoT) is a possible derived paradigm, where several types of relationship and trustworthiness can be estabilished among devices. In this scenario, we address the issues of modeling social ties in IoT and proposing models to classify and predict ties in SIoT. Those tasks are important for example to create privacy rules based on link’s type. This paper proposes using learning representation to classify different types of social ties between IoT devices. In order to do this, we use as classifcation strategies either Graph Neural Networks (GNN) or Traditional Classification Algorithms (TCA). In our experiments, GNN is fast to train and shows F1-{macro, micro} scores of 0.61 and 0.88, respectivelly. By using TCA, the train step is 121× up to 11.235× slower than GNN, but it presents F1-scores of 0.86 and 0.95, respectivelly.
URI: http://www.repositorio.ufop.br/jspui/handle/123456789/15981
metadata.dc.identifier.uri2: https://sol.sbc.org.br/index.php/courb/article/view/21448
metadata.dc.identifier.doi: https://doi.org/10.5753/courb.2022.223493.
ISSN: 2595-2706
metadata.dc.rights.license: Os autores dos artigos publicados nos Anais do CoUrb retêm os direitos autorais de suas obras e autorizam a SBC a publicá-las de acordo com os termos da licença Creative Commons Attribution-NonComercial 4.0 International Public License (CC BY-NC 4.0). Dessa forma, fica permitido aos autores ou a terceiros a reprodução ou distribuição, em parte ou no todo, de material extraído dessas obras, de forma verbatim, adaptada ou remixada, bem como a criação ou produção a partir do conteúdo dessas obras, para fins não comerciais, desde que sejam atribuídos os devidos créditos às criações originais. Cópias das obras não devem ser utilizadas de nenhum modo que implique o endosso da SBC. Fonte: Anais do workshop de Computação Urbana. Disponível em <https://sol.sbc.org.br/index.php/courb/about/editorialTeam>. Acesso em: 18 jan. 2023
Appears in Collections:DECSI - Trabalhos apresentados em eventos

Files in This Item:
File Description SizeFormat 
EVENTO_UtilizandoAprendizadoRepresentação.pdf2,51 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons