論文の概要: TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature

• arxiv url: http://arxiv.org/abs/2205.12784v1
• Date: Wed, 25 May 2022 13:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 15:07:33.901920
• Title: TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature
• Title（参考訳）: TrustGNN: 学習可能なプロパゲーティブと構成可能な性質によるグラフニューラルネットワークによる信頼評価
• Authors: Cuiying Huo, Di Jin, Chundong Liang, Dongxiao He, Tie Qiu and Lingfei Wu
• Abstract要約: 信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。 本稿では,信頼グラフの伝播性および構成性を考慮した新しい信頼評価手法TrustGNNを提案する。 具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。
• 参考スコア（独自算出の注目度）: 63.78619502896071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trust evaluation is critical for many applications such as cyber security, social communication and recommender systems. Users and trust relationships among them can be seen as a graph. Graph neural networks (GNNs) show their powerful ability for analyzing graph-structural data. Very recently, existing work attempted to introduce the attributes and asymmetry of edges into GNNs for trust evaluation, while failed to capture some essential properties (e.g., the propagative and composable nature) of trust graphs. In this work, we propose a new GNN based trust evaluation method named TrustGNN, which integrates smartly the propagative and composable nature of trust graphs into a GNN framework for better trust evaluation. Specifically, TrustGNN designs specific propagative patterns for different propagative processes of trust, and distinguishes the contribution of different propagative processes to create new trust. Thus, TrustGNN can learn comprehensive node embeddings and predict trust relationships based on these embeddings. Experiments on some widely-used real-world datasets indicate that TrustGNN significantly outperforms the state-of-the-art methods. We further perform analytical experiments to demonstrate the effectiveness of the key designs in TrustGNN.
• Abstract（参考訳）: 信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。 ユーザと信頼関係はグラフとして見ることができます。 グラフニューラルネットワーク(GNN)は、グラフ構造データを解析する強力な能力を示している。 ごく最近まで、既存の研究は信頼評価のためにGNNにエッジの属性と非対称性を導入しようとしたが、信頼グラフの本質的な性質(例えば、伝播性や構成性)を捉えられなかった。 本研究では,信頼グラフの伝播性および構成性を考慮した信頼度評価手法であるTrustGNNをGNNフレームワークに統合し,信頼度評価を改善する手法を提案する。 具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。 これにより、TrustGNNは包括的なノード埋め込みを学習し、これらの埋め込みに基づいて信頼関係を予測することができる。 広く使われている実世界のデータセットの実験は、TrustGNNが最先端の手法を著しく上回っていることを示している。 さらに分析実験を行い,TrustGNNにおける鍵設計の有効性を実証する。

関連論文リスト

• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support [59.41529066449414]
  本稿では,信頼度を考慮した信頼度評価モデルであるTrustGuardを提案する。 TrustGuardは、スナップショット入力層、空間集約層、時間集約層、予測層を含む階層アーキテクチャで設計されている。 実験により、TrustGuardは、シングルタイムスロットとマルチタイムスロットの信頼予測に関して、最先端のGNNベースの信頼評価モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-23T07:39:12Z)
• KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph Neural Networks [63.531790269009704]
  ソーシャル・インターネット・オブ・モノ(Social Internet of Things, SIoT)は、スマート・オブジェクト(物)にソーシャルネットワークの概念を注入する、有望で新興のパラダイムである。 リスクと不確実性のため、解決すべき重要かつ緊急の問題は、SIoT内で信頼性の高い関係、すなわち信頼評価を確立することである。 本稿では,SIoTにおける信頼度向上のための知識強化グラフニューラルネットワーク(KGTrust)を提案する。
  論文  参考訳（メタデータ） (2023-02-22T14:24:45Z)
• An Evolutionary Game based Secure Clustering Protocol with Fuzzy Trust Evaluation and Outlier Detection for Wireless Sensor Networks [8.611020067829509]
  伝達証拠を信頼値に変換するファジィ信頼評価法を提案する。 K平均に基づく外乱検出手法を提案し,さらに多くの信頼値を解析した。 進化ゲームに基づくセキュアクラスタリングプロトコルが提示され,セキュリティ保証と省エネのトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-07-21T03:24:35Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• Be Confident! Towards Trustworthy Graph Neural Networks via Confidence Calibration [32.26725705900001]
  グラフニューラルネットワーク(GNN)の精度は極めて高いが、結果が信頼できるかどうかはまだ明らかにされていない。 これまでの研究では、多くの現代のニューラルネットワークが予測を過信していることが示唆されている。 トポロジを意識したポストホックキャリブレーション関数を設計し,信頼性の高いGNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-29T09:08:20Z)
• Towards Time-Aware Context-Aware Deep Trust Prediction in Online Social Networks [0.4061135251278187]
  信頼は、情報ソースが信頼できるか、誰と共有すべきか、誰から情報を受け入れるべきかを決定する尺度として定義できる。 ソーシャルスパマー検出、フェイクニュース検出、リツイート行動検出、レコメンデーションシステムなど、オンラインソーシャルネットワーク(OSN)への信頼のためのいくつかのアプリケーションがある。 信頼予測は、現在接続されていない2人のユーザー間の新しい信頼関係を予測するプロセスである。
  論文  参考訳（メタデータ） (2020-03-21T01:00:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。