論文の概要: Rapid and Continuous Trust Evaluation for Effective Task Collaboration Through Siamese Model

• arxiv url: http://arxiv.org/abs/2506.17128v1
• Date: Fri, 20 Jun 2025 16:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.540759
• Title: Rapid and Continuous Trust Evaluation for Effective Task Collaboration Through Siamese Model
• Title（参考訳）: シームズモデルによる効果的なタスクコラボレーションの迅速・連続的信頼評価
• Authors: Botao Zhu, Xianbin Wang,
• Abstract要約: 本稿では,効果的なタスクコラボレーションを促進するために,シームズ対応の迅速・連続信頼評価フレームワーク(SRCTE)を提案する。 実際のシステムは、2つのDell EMC 5200サーバとGoogle Pixel 8を使って構築され、提案されているSRCTEフレームワークの有効性をテストする。 実験結果から,SRCTEは少量のデータだけで急速に収束し,異常信頼検出率が高いことがわかった。
• 参考スコア（独自算出の注目度）: 9.467463634233177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trust is emerging as an effective tool to ensure the successful completion of collaborative tasks within collaborative systems. However, rapidly and continuously evaluating the trustworthiness of collaborators during task execution is a significant challenge due to distributed devices, complex operational environments, and dynamically changing resources. To tackle this challenge, this paper proposes a Siamese-enabled rapid and continuous trust evaluation framework (SRCTE) to facilitate effective task collaboration. First, the communication and computing resource attributes of the collaborator in a trusted state, along with historical collaboration data, are collected and represented using an attributed control flow graph (ACFG) that captures trust-related semantic information and serves as a reference for comparison with data collected during task execution. At each time slot of task execution, the collaborator's communication and computing resource attributes, as well as task completion effectiveness, are collected in real time and represented with an ACFG to convey their trust-related semantic information. A Siamese model, consisting of two shared-parameter Structure2vec networks, is then employed to learn the deep semantics of each pair of ACFGs and generate their embeddings. Finally, the similarity between the embeddings of each pair of ACFGs is calculated to determine the collaborator's trust value at each time slot. A real system is built using two Dell EMC 5200 servers and a Google Pixel 8 to test the effectiveness of the proposed SRCTE framework. Experimental results demonstrate that SRCTE converges rapidly with only a small amount of data and achieves a high anomaly trust detection rate compared to the baseline algorithm.
• Abstract（参考訳）: 信頼はコラボレーションシステム内での協調作業の完了を確実にするための効果的なツールとして浮上しています。 しかしながら、タスク実行中のコラボレータの信頼性を迅速かつ継続的に評価することは、分散デバイス、複雑な運用環境、動的にリソースを変更することによる重要な課題である。 この課題に対処するために,シームズ対応の迅速かつ継続的信頼評価フレームワーク(SRCTE)を提案する。 まず、信頼状態におけるコラボレータの通信資源属性と、過去のコラボレーションデータとを、信頼関係のセマンティック情報をキャプチャし、タスク実行中に収集されたデータと比較するための参照として機能する属性制御フローグラフ(ACFG)を用いて収集し、表現する。 タスク実行の各時間帯において、コラボレータの通信および計算資源属性とタスク完了の有効性をリアルタイムで収集し、信頼関係のセマンティック情報を伝えるためにACFGで表現する。 次に、2つの共有パラメータ構造2ベックネットワークからなるシームズモデルを用いて、それぞれのACFGの深いセマンティクスを学習し、それらの埋め込みを生成する。 最後に、各一対のACFGの埋め込みの類似性を算出し、各タイムスロットにおけるコラボレータの信頼値を決定する。 実際のシステムは、2つのDell EMC 5200サーバとGoogle Pixel 8を使って構築され、提案されているSRCTEフレームワークの有効性をテストする。 実験結果から,SRCTEは少量のデータだけで急速に収束し,ベースラインアルゴリズムと比較して高い異常信頼検出率が得られることがわかった。

関連論文リスト

• Chain-of-Trust: A Progressive Trust Evaluation Framework Enabled by Generative AI [20.02079841777494]
  デバイス属性データをよりよく活用するために、信頼の連鎖フレームワークが提案されている。 このフレームワークは、信頼評価プロセスをタスク分解に基づく連鎖ステージに分割する。 生成AIを使用して収集したデータを解析し、解釈し、正確な評価結果を生成する。
  論文  参考訳（メタデータ） (2025-06-20T16:33:03Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• FeaKM: Robust Collaborative Perception under Noisy Pose Conditions [1.9626657740463982]
  FeaKM(FeaKM)は,協調エージェント間の相違を正すために特徴レベルキーポイントマッチングを利用する新しい手法である。 実験の結果, FeaKM は DAIR-V2X データセット上の既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-02-16T06:03:33Z)
• Collaborative Gym: A Framework for Enabling and Evaluating Human-Agent Collaboration [51.452664740963066]
  Collaborative Gymは、エージェント、人間、タスク環境間の非同期で三分割的なインタラクションを可能にするフレームワークである。 シミュレーション条件と実環境条件の両方において,Co-Gymを3つの代表的なタスクでインスタンス化する。 その結果、協調作業員はタスクパフォーマンスにおいて、完全に自律的なエージェントよりも一貫して優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-12-20T09:21:15Z)
• CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
  CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。 3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
  論文  参考訳（メタデータ） (2024-11-07T13:08:04Z)
• Enhancing Worker Recruitment in Collaborative Mobile Crowdsourcing: A Graph Neural Network Trust Evaluation Approach [7.883218966932225]
  CMCS(Collaborative Mobile Crowdsourcing)は、複雑なセンシングタスクを協調的に実行するワーカーチームを募集するプラットフォームである。 本稿では,ソーシャルネットワークにおける全作業者の非対称信頼度を求めるために,信頼強化評価フレームワーク(TREF)を提案する。
  論文  参考訳（メタデータ） (2023-06-07T11:59:45Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

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。