論文の概要: Social and Physical Attributes-Defined Trust Evaluation for Effective Collaborator Selection in Human-Device Coexistence Systems

• arxiv url: http://arxiv.org/abs/2511.11578v1
• Date: Wed, 01 Oct 2025 18:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.170202
• Title: Social and Physical Attributes-Defined Trust Evaluation for Effective Collaborator Selection in Human-Device Coexistence Systems
• Title（参考訳）: ヒューマンデバイス共存システムにおける効果的な協調者選定のための社会的・身体的属性決定信頼度評価
• Authors: Botao Zhu, Xianbin Wang,
• Abstract要約: 本研究では,標準相関解析によるハイパーグラフ自己教師学習(HSLCCA)手法を提案する。 HSLCCA法は,信頼されたデバイスを効果的に識別する上で,ベースラインアルゴリズムを著しく上回っている。
• 参考スコア（独自算出の注目度）: 11.560090481333622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In human-device coexistence systems, collaborations among devices are determined by not only physical attributes such as network topology but also social attributes among human users. Consequently, trust evaluation of potential collaborators based on these multifaceted attributes becomes critical for ensuring the eventual outcome. However, due to the high heterogeneity and complexity of physical and social attributes, efficiently integrating them for accurate trust evaluation remains challenging. To overcome this difficulty, a canonical correlation analysis-enhanced hypergraph self-supervised learning (HSLCCA) method is proposed in this research. First, by treating all attributes as relationships among connected devices, a relationship hypergraph is constructed to comprehensively capture inter-device relationships across three dimensions: spatial attribute-related, device attribute-related, and social attribute-related. Next, a self-supervised learning framework is developed to integrate these multi-dimensional relationships and generate device embeddings enriched with relational semantics. In this learning framework, the relationship hypergraph is augmented into two distinct views to enhance semantic information. A parameter-sharing hypergraph neural network is then utilized to learn device embeddings from both views. To further enhance embedding quality, a CCA approach is applied, allowing the comparison of data between the two views. Finally, the trustworthiness of devices is calculated based on the learned device embeddings. Extensive experiments demonstrate that the proposed HSLCCA method significantly outperforms the baseline algorithm in effectively identifying trusted devices.
• Abstract（参考訳）: ヒューマンデバイス共存システムでは、デバイス間のコラボレーションは、ネットワークトポロジなどの物理的属性だけでなく、ユーザ間の社会的属性によって決定される。 その結果、これらの多面的属性に基づく潜在的協力者の信頼評価は、最終的な結果を保証するために重要となる。 しかし, 身体的・社会的属性の高度の不均一性と複雑さのため, 正確な信頼評価のために効率的に統合することは依然として困難である。 そこで本研究では,標準相関解析によるハイパーグラフ自己教師学習(HSLCCA)手法を提案する。 まず、すべての属性を接続デバイス間の関係として扱うことにより、空間的属性関連、デバイス属性関連、社会的属性関連の3次元にわたるデバイス間関係を包括的にキャプチャする関係ハイパーグラフを構築する。 次に、これらの多次元関係を統合し、関係意味論に富んだデバイス埋め込みを生成するための自己教師付き学習フレームワークを開発した。 この学習フレームワークでは、関係ハイパーグラフはセマンティック情報を強化するために2つの異なるビューに拡張される。 パラメータ共有ハイパーグラフニューラルネットワークを使用して、両方のビューからデバイス埋め込みを学習する。 埋め込み品質をさらに向上するため、CCAアプローチを適用し、2つのビュー間のデータの比較を可能にする。 最後に、学習したデバイス埋め込みに基づいて、デバイスの信頼性を算出する。 HSLCCA法は,信頼されたデバイスを効果的に識別する上で,ベースラインアルゴリズムを著しく上回っていることを示す。

関連論文リスト

• Learning Human-Object Interaction as Groups [52.28258599873394]
  GroupHOIは、幾何学的近接性および意味的類似性の観点から文脈情報を伝播するフレームワークである。 これは、より困難な非言語間相互作用検出タスクにおいて、主要なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-21T07:25:10Z)
• Exploring Cross-model Neuronal Correlations in the Context of Predicting Model Performance and Generalizability [2.6708879445664584]
  本稿では,新しいモデルを用いたモデルの性能評価手法を提案する。 提案手法は,1つのネットワーク内の各ニューロンに対して,類似の出力を生成する他のネットワークにニューロンが存在するかどうかを判定することにより相関性を評価する。
  論文  参考訳（メタデータ） (2024-08-15T22:57:39Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Kinship Verification Based on Cross-Generation Feature Interaction Learning [53.62256887837659]
  顔画像からの血縁検証は、コンピュータビジョンの応用において、新しいが挑戦的な技術として認識されている。 本稿では,頑健な親族関係検証のためのクロスジェネレーション・インタラクション・ラーニング(CFIL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-07T01:50:50Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。