論文の概要: Chain-of-Trust: A Progressive Trust Evaluation Framework Enabled by Generative AI

• arxiv url: http://arxiv.org/abs/2506.17130v1
• Date: Fri, 20 Jun 2025 16:33:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.541609
• Title: Chain-of-Trust: A Progressive Trust Evaluation Framework Enabled by Generative AI
• Title（参考訳）: Chain-of-Trust: ジェネレーティブAIによって実現されたプログレッシブ信頼評価フレームワーク
• Authors: Botao Zhu, Xianbin Wang, Lei Zhang, Xuemin, Shen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.02079841777494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In collaborative systems with complex tasks relying on distributed resources, trust evaluation of potential collaborators has emerged as an effective mechanism for task completion. However, due to the network dynamics and varying information gathering latencies, it is extremely challenging to observe and collect all trust attributes of a collaborating device concurrently for a comprehensive trust assessment. In this paper, a novel progressive trust evaluation framework, namely chain-of-trust, is proposed to make better use of misaligned device attribute data. This framework, designed for effective task completion, divides the trust evaluation process into multiple chained stages based on task decomposition. At each stage, based on the task completion process, the framework only gathers the latest device attribute data relevant to that stage, leading to reduced trust evaluation complexity and overhead. By leveraging advanced in-context learning, few-shot learning, and reasoning capabilities, generative AI is then employed to analyze and interpret the collected data to produce correct evaluation results quickly. Only devices deemed trustworthy at this stage proceed to the next round of trust evaluation. The framework ultimately determines devices that remain trustworthy across all stages. Experimental results demonstrate that the proposed framework achieves high accuracy in trust evaluation.
• Abstract（参考訳）: 分散資源に依存した複雑なタスクを伴う協調システムにおいて,タスク完了のための効果的なメカニズムとして,潜在的協力者の信頼評価が出現している。 しかし,ネットワークのダイナミクスと各種情報収集遅延のため,総合的信頼評価のために協調装置のすべての信頼属性を同時に観察・収集することは極めて困難である。 本稿では,不整合デバイス属性データをよりよく活用するために,新しいプログレッシブ・トラスト・アセスメント・フレームワーク,すなわち信頼の連鎖(chain-of-trust)を提案する。 このフレームワークは、効果的なタスク完了のために設計され、タスクの分解に基づいて、信頼評価プロセスを複数の連鎖ステージに分割する。 各ステージにおいて、タスク完了プロセスに基づいて、フレームワークは、そのステージに関連する最新のデバイス属性データのみを収集し、信頼性評価の複雑さとオーバーヘッドを低減します。 高度なコンテキスト内学習、少数ショット学習、推論機能を活用することで、生成AIを使用して収集したデータを解析、解釈し、正確な評価結果を迅速に生成する。 この段階で信頼できると思われるデバイスだけが、次の信頼評価のラウンドに進む。 このフレームワークは最終的に、すべての段階にわたって信頼できるデバイスを決定する。 実験の結果,提案手法は信頼度評価において高い精度を達成できることが示された。

関連論文リスト

• Rapid and Continuous Trust Evaluation for Effective Task Collaboration Through Siamese Model [9.467463634233177]
  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。
  論文  参考訳（メタデータ） (2025-06-20T16:30:59Z)
• ClaimTrust: Propagation Trust Scoring for RAG Systems [7.7690689135107425]
  ClaimTrustは、RAGシステムにおける文書の信頼性を動的に評価する、伝搬ベースの信頼評価フレームワークである。 我々は、政治ニュース記事814件を前処理し分析し、2,173件のユニークなクレームを抽出し、965件の有意義な関係を分類する。 ClaimTrustは、信頼に値する記事と信頼できない記事とを効果的に区別し、コンバージェンスまで信頼スコアを反復的に更新する。
  論文  参考訳（メタデータ） (2025-03-12T07:52:24Z)
• 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)
• A Confidence-based Partial Label Learning Model for Crowd-Annotated Named Entity Recognition [74.79785063365289]
  名前付きエンティティ認識(NER)のための既存のモデルは、主に大規模ラベル付きデータセットに基づいている。 我々は,クラウドアノテートNERに対する先行信頼度(アノテータによる提案)と後続信頼度(モデルによる学習)を統合するために,信頼に基づく部分ラベル学習(CPLL)手法を提案する。
  論文  参考訳（メタデータ） (2023-05-21T15:31:23Z)
• Trust, but Verify: Using Self-Supervised Probing to Improve Trustworthiness [29.320691367586004]
  我々は、訓練されたモデルに対する自信の過剰な問題をチェックおよび緩和することのできる、自己教師型探索の新しいアプローチを導入する。 既存の信頼性関連手法に対して,プラグイン・アンド・プレイ方式で柔軟に適用可能な,シンプルで効果的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-06T08:57:20Z)
• A Sentiment Analysis Dataset for Trustworthiness Evaluation [22.734197353027632]
  深層学習モデルはブラックボックス問題のために信頼できないとしばしば批判される。 我々は、頑健さと解釈可能性を評価するために、新しくよく注釈付けされた感情分析データセットをリリースする。
  論文  参考訳（メタデータ） (2021-08-30T11:58:16Z)
• An evaluation of word-level confidence estimation for end-to-end automatic speech recognition [70.61280174637913]
  エンドツーエンド自動音声認識(ASR)における信頼度推定の検討 4つのよく知られた音声データセットにおける信頼度手法の広範なベンチマークを提供する。 以上の結果から,ロジットを学習温度でスケーリングすることで,強いベースラインが得られることが示唆された。
  論文  参考訳（メタデータ） (2021-01-14T09:51:59Z)
• 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。