論文の概要: Distributed Online Life-Long Learning (DOL3) for Multi-agent Trust and Reputation Assessment in E-commerce

• arxiv url: http://arxiv.org/abs/2410.16529v1
• Date: Mon, 21 Oct 2024 21:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:27:54.640289
• Title: Distributed Online Life-Long Learning (DOL3) for Multi-agent Trust and Reputation Assessment in E-commerce
• Title（参考訳）: 電子商取引におけるマルチエージェント信頼と評価のための分散オンラインライフロングラーニング(DOL3)
• Authors: Hariprasauth Ramamoorthy, Shubhankar Gupta, Suresh Sundaram,
• Abstract要約: eコマースのような市民中心の環境におけるサービス提供者の信頼と評価は、エージェント間の相互作用の整合性を維持するために不可欠である。 本稿では,信頼度と評価スコアをリアルタイムに学習する分散オンラインライフロングラーニング(DOL3)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.060281689561971
• License:
• Abstract: Trust and Reputation Assessment of service providers in citizen-focused environments like e-commerce is vital to maintain the integrity of the interactions among agents. The goals and objectives of both the service provider and service consumer agents are relevant to the goals of the respective citizens (end users). The provider agents often pursue selfish goals that can make the service quality highly volatile, contributing towards the non-stationary nature of the environment. The number of active service providers tends to change over time resulting in an open environment. This necessitates a rapid and continual assessment of the Trust and Reputation. A large number of service providers in the environment require a distributed multi-agent Trust and Reputation assessment. This paper addresses the problem of multi-agent Trust and Reputation Assessment in a non-stationary environment involving transactions between providers and consumers. In this setting, the observer agents carry out the assessment and communicate their assessed trust scores with each other over a network. We propose a novel Distributed Online Life-Long Learning (DOL3) algorithm that involves real-time rapid learning of trust and reputation scores of providers. Each observer carries out an adaptive learning and weighted fusion process combining their own assessment along with that of their neighbour in the communication network. Simulation studies reveal that the state-of-the-art methods, which usually involve training a model to assess an agent's trust and reputation, do not work well in such an environment. The simulation results show that the proposed DOL3 algorithm outperforms these methods and effectively handles the volatility in such environments. From the statistical evaluation, it is evident that DOL3 performs better compared to other models in 90% of the cases.
• Abstract（参考訳）: eコマースのような市民中心の環境におけるサービス提供者の信頼と評価は、エージェント間の相互作用の整合性を維持するために不可欠である。 サービス提供者およびサービス消費者エージェントの目標と目的は、それぞれの市民(エンドユーザー)の目標に関連しています。 プロバイダエージェントは、サービス品質を不安定にし、環境の非定常的な性質に寄与する、利己的な目標を追求することが多い。 アクティブなサービスプロバイダの数は、時間とともに変化する傾向にあり、その結果、オープンな環境になる。 これは、信頼と意見の迅速かつ継続的な評価を必要とする。 環境内の多数のサービスプロバイダは、分散マルチエージェントのTrust and Reputationアセスメントを必要とします。 本稿では,プロバイダとコンシューマ間のトランザクションを含む非定常環境におけるマルチエージェント信頼とレプションアセスメントの問題に対処する。 この設定では、オブザーバエージェントが評価を行い、評価された信頼スコアをネットワークを介して通信する。 本稿では,信頼度と評価スコアをリアルタイムに学習する分散オンラインライフロングラーニング(DOL3)アルゴリズムを提案する。 各オブザーバは、通信ネットワーク内の隣人のものとともに、それぞれのアセスメントを組み合わせた適応学習および重み付き融合プロセスを実行する。 シミュレーション研究により、エージェントの信頼と評判を評価するためのモデルを訓練する最先端の手法は、そのような環境ではうまく機能しないことが明らかとなった。 シミュレーションの結果,提案したDOL3アルゴリズムはこれらの手法より優れており,このような環境でのボラティリティを効果的に処理できることがわかった。 統計的評価から,DOL3は90%の症例において,他のモデルよりも優れた性能を示すことが明らかとなった。

関連論文リスト

• CRMArena: Understanding the Capacity of LLM Agents to Perform Professional CRM Tasks in Realistic Environments [90.29937153770835]
  CRMArenaは、プロフェッショナルな作業環境に根ざした現実的なタスクにおいて、AIエージェントを評価するために設計されたベンチマークである。 現状のLDMエージェントはReActプロンプトのタスクの40%以下で成功し,機能呼び出し能力でも55%以下であった。 この結果から,実環境に展開する関数呼び出しやルールフォローにおいて,エージェント機能の向上の必要性が示唆された。
  論文  参考訳（メタデータ） (2024-11-04T17:30:51Z)
• Using Deep Q-Learning to Dynamically Toggle between Push/Pull Actions in Computational Trust Mechanisms [0.0]
  これまでの研究では、信頼度と評価モデルとしてよく知られたCAとFIREを比較し、信頼度が変化するとCAの方が優れていることを示した。 我々は、この問題を部分的に観察可能な環境での機械学習問題とみなし、信頼者にはいくつかの動的要因が存在することが分かっていない。 適応可能なエージェントは、各モデルをいつ使用するかを学ぶことができ、したがって、動的環境において一貫して実行可能であることを示す。
  論文  参考訳（メタデータ） (2024-04-28T19:44:56Z)
• A Factor Graph Model of Trust for a Collaborative Multi-Agent System [8.286807697708113]
  信頼とは、エージェントがシステム内の他者の情報、行動、意図、真実性、能力に依存し、信頼することである。 本稿では,エージェント間の相互依存行動と信頼性を表現するために因子グラフを利用する新しいグラフィカルアプローチを提案する。 信頼度評価手法は分散化され, 近接安全性, 一貫性, 協調といった重要な相互依存サブファクタを考察する。
  論文  参考訳（メタデータ） (2024-02-10T21:44:28Z)
• Online Decision Mediation [72.80902932543474]
  意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。 臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
  論文  参考訳（メタデータ） (2023-10-28T05:59:43Z)
• Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
  本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。 エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。 我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
  論文  参考訳（メタデータ） (2022-06-01T00:44:53Z)
• Balancing Consumer and Business Value of Recommender Systems: A Simulation-based Analysis [4.297070083645049]
  本研究では,エージェントベースモデリングに基づくシミュレーションフレームワークを提案する。 ポジティブな経験とネガティブな経験がソーシャルメディア上で他人と共有されるネットワーク効果を考える。 ソーシャルメディアは、ネガティブな体験の場合の信頼喪失などの現象を補強することができる。
  論文  参考訳（メタデータ） (2022-03-10T12:48:29Z)
• Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
  ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。 本稿では,データ駆動型多面信頼モデルを提案する。 信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
  論文  参考訳（メタデータ） (2021-11-11T19:40:51Z)
• A Robust Model for Trust Evaluation during Interactions between Agents in a Sociable Environment [9.520158869896395]
  信頼評価は、研究と応用の両方において重要なトピックである。 本稿では,エージェント間の信頼評価のモデルとして,直接信頼,隣接リンク経由の間接信頼,環境におけるエージェントの評判の組み合わせについて述べる。
  論文  参考訳（メタデータ） (2021-04-17T14:38:02Z)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Surveys without Questions: A Reinforcement Learning Approach [12.044303977550229]
  我々は、クリックストリームデータからプロキシレーティングを抽出するために、強化学習(RL)に基づくアプローチを開発する。 1つは顧客レベルであり、もう1つは顧客間でのクリックアクションの集計レベルである。
  論文  参考訳（メタデータ） (2020-06-11T10:41:07Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。