論文の概要: DGTEN: A Robust Deep Gaussian based Graph Neural Network for Dynamic Trust Evaluation with Uncertainty-Quantification Support

• arxiv url: http://arxiv.org/abs/2510.07620v1
• Date: Wed, 08 Oct 2025 23:38:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.772754
• Title: DGTEN: A Robust Deep Gaussian based Graph Neural Network for Dynamic Trust Evaluation with Uncertainty-Quantification Support
• Title（参考訳）: DGTEN:不確実性保証を用いた動的信頼評価のためのロバストな深いガウス型グラフニューラルネットワーク
• Authors: Muhammad Usman, Yugyung Lee,
• Abstract要約: DGTEN (Deep Gaussian based Trust Evaluation Network) は統合グラフフレームワークを導入している。 不確実性を認識したメッセージパッシング、表現力のある時間的モデリング、信頼を目標とする攻撃に対するビルトインディフェンスを組み合わせる。 署名された2つのBitcoinトラストネットワークでは、DGTENが大幅に改善されている。
• 参考スコア（独自算出の注目度）: 2.4897847232811716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic trust evaluation in large, rapidly evolving graphs requires models that can capture changing relationships, express calibrated confidence, and resist adversarial manipulation. DGTEN (Deep Gaussian-based Trust Evaluation Network) introduces a unified graph framework that achieves all three by combining uncertainty-aware message passing, expressive temporal modeling, and built-in defenses against trust-targeted attacks. It represents nodes and edges as Gaussian distributions so that both semantic signals and epistemic uncertainty propagate through the graph neural network, enabling risk-aware trust decisions rather than overconfident guesses. To model how trust evolves, it employs hybrid Absolute-Gaussian-Hourglass (HAGH) positional encoding with Kolmogorov-Arnold network-based unbiased multi-head attention, followed by an ordinary differential equation (ODE)-based residual learning module to jointly capture abrupt shifts and smooth trends. Robust adaptive ensemble coefficient analysis prunes or down-weights suspicious interactions using complementary cosine and Jaccard similarity measures, mitigating reputation laundering, sabotage, and on/off attacks. On two signed Bitcoin trust networks, DGTEN delivers significant improvements: in single-timeslot prediction on Bitcoin-Alpha, it improves MCC by 10.77% over the best dynamic baseline; in the cold-start scenario, it achieves a 16.41% MCC gain - the largest across all tasks and datasets. Under adversarial on/off attacks, it surpasses the baseline by up to 11.63% MCC. These results validate the effectiveness of the unified DGTEN framework.
• Abstract（参考訳）: 大規模で急速に進化するグラフにおける動的信頼評価は、変化する関係をキャプチャし、校正された信頼を表現し、敵の操作に抵抗するモデルを必要とする。 DGTEN (Deep Gaussian based Trust Evaluation Network) は、不確実性を認識したメッセージパッシング、表現的時間的モデリング、信頼を目標とする攻撃に対するビルトイン防御を組み合わせることで、3つすべてを達成する統一グラフフレームワークを導入している。 ノードとエッジをガウス分布として表現し、セマンティック信号とてんかんの不確実性の両方がグラフニューラルネットワークを介して伝播し、過剰な推測よりもリスクを意識した信頼決定を可能にする。 信頼の進化をモデル化するために、Absolute-Gaussian-Hourglass (HAGH) とKolmogorov-Arnoldネットワークをベースとした非バイアスのマルチヘッドアテンションと、通常の微分方程式(ODE)ベースの残留学習モジュールを用いて、急激なシフトとスムーズなトレンドを共同で捉える。 ロバスト適応アンサンブル係数分析法は, 相補的コサインとジャカード類似度測定, 評判洗浄, サボタージュ, オン/オフ攻撃による不審な相互作用を呈する。 Bitcoin-Alphaのシングルタイムスロット予測では、最高の動的ベースラインよりも10.77%改善され、コールドスタートシナリオでは16.41%のMCCゲインを達成した。 敵のオン/オフ攻撃では、ベースラインを最大11.63%超える。 これらの結果は統合DGTENフレームワークの有効性を検証した。

関連論文リスト

• Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
  グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。 既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。 本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
  論文  参考訳（メタデータ） (2025-06-16T03:59:38Z)
• Feature Statistics with Uncertainty Help Adversarial Robustness [19.01087281157066]
  敵の攻撃は 特徴統計の分布を 変える傾向がある 頑健性向上のための不確実性駆動型特徴統計調整モジュールを提案する。 提案されたFSUモジュールは、トレーニング、アタック、予測、微調整に普遍的に適用可能である。
  論文  参考訳（メタデータ） (2025-03-26T14:30:33Z)
• Towards Adversarial Robustness via Debiased High-Confidence Logit Alignment [24.577363665112706]
  逆敵攻撃下では、高信頼出力は偏りのある特徴アクティベーションに影響される。 この急激な相関バイアスは、敵の訓練中に無関係な背景特徴を過度に適合させる。 本稿では, 障害のある高信頼度ロジットと障害のある高信頼度ロジットを整合させる新しいアプローチとして, 障害のある高信頼度ロジット訓練(DHAT)を提案する。
  論文  参考訳（メタデータ） (2024-08-12T11:56:06Z)
• 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)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。