論文の概要: CAT: Can Trust be Predicted with Context-Awareness in Dynamic Heterogeneous Networks?

• arxiv url: http://arxiv.org/abs/2512.11352v1
• Date: Fri, 12 Dec 2025 08:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.69527
• Title: CAT: Can Trust be Predicted with Context-Awareness in Dynamic Heterogeneous Networks?
• Title（参考訳）: CAT: 動的不均一ネットワークにおける信頼は文脈認識で予測できるか?
• Authors: Jie Wang, Zheng Yan, Jiahe Lan, Xuyan Li, Elisa Bertino,
• Abstract要約: 信頼予測のための有望なアプローチとしてグラフニューラルネットワーク(GNN)が登場した。 これらのモデルは信頼のダイナミクスを捉えることができず、疑わしい推論につながります。 我々は、最初のコンテキスト対応GNNベースの信頼予測モデルであるCATを提案する。
• 参考スコア（独自算出の注目度）: 10.476593803368358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trust prediction provides valuable support for decision-making, risk mitigation, and system security enhancement. Recently, Graph Neural Networks (GNNs) have emerged as a promising approach for trust prediction, owing to their ability to learn expressive node representations that capture intricate trust relationships within a network. However, current GNN-based trust prediction models face several limitations: (i) Most of them fail to capture trust dynamicity, leading to questionable inferences. (ii) They rarely consider the heterogeneous nature of real-world networks, resulting in a loss of rich semantics. (iii) None of them support context-awareness, a basic property of trust, making prediction results coarse-grained. To this end, we propose CAT, the first Context-Aware GNN-based Trust prediction model that supports trust dynamicity and accurately represents real-world heterogeneity. CAT consists of a graph construction layer, an embedding layer, a heterogeneous attention layer, and a prediction layer. It handles dynamic graphs using continuous-time representations and captures temporal information through a time encoding function. To model graph heterogeneity and leverage semantic information, CAT employs a dual attention mechanism that identifies the importance of different node types and nodes within each type. For context-awareness, we introduce a new notion of meta-paths to extract contextual features. By constructing context embeddings and integrating a context-aware aggregator, CAT can predict both context-aware trust and overall trust. Extensive experiments on three real-world datasets demonstrate that CAT outperforms five groups of baselines in trust prediction, while exhibiting strong scalability to large-scale graphs and robustness against both trust-oriented and GNN-oriented attacks.
• Abstract（参考訳）: 信頼予測は、意思決定、リスク軽減、システムのセキュリティ強化のための貴重なサポートを提供する。 最近、グラフニューラルネットワーク(GNN)は、ネットワーク内の複雑な信頼関係をキャプチャする表現的ノード表現を学習する能力のために、信頼予測のための有望なアプローチとして登場した。 しかし、現在のGNNベースの信頼予測モデルにはいくつかの制限がある。 (i)信頼のダイナミクスを捉えることに失敗し、疑わしい推論につながります。 (II)実世界のネットワークの異質性を考えることは稀であり、リッチセマンティクスが失われる。 三 信頼の基本的な性質である文脈認識をサポートしないものであって、予測結果を粗くするものではないこと。 そこで本研究では,信頼のダイナミクスをサポートし,現実の不均一性を正確に表現する,コンテキスト認識型GNNベースの信頼予測モデルであるCATを提案する。 CATはグラフ構築層、埋め込み層、異種注意層、予測層から構成される。 連続時間表現を使用して動的グラフを処理し、時間符号化機能を通じて時間情報をキャプチャする。 グラフの不均一性をモデル化しセマンティック情報を活用するため、CATでは、各タイプ内の異なるノードタイプとノードの重要性を識別する二重注意機構を採用している。 文脈認識には,文脈特徴を抽出するメタパスの概念を導入する。 コンテキスト埋め込みの構築とコンテキスト認識アグリゲータの統合により、CATはコンテキスト認識信頼と全体的な信頼の両方を予測することができる。 3つの実世界のデータセットに対する大規模な実験により、CATは信頼予測において5つのベースラインを上回り、大規模グラフに対して強力なスケーラビリティを示し、信頼指向とGNN指向の攻撃に対して堅牢性を示す。

関連論文リスト

• Hierarchical Uncertainty-Aware Graph Neural Network [3.4498722449655066]
  この研究は、階層的不確実性認識グラフニューラルネットワーク(HU-GNN)という新しいアーキテクチャを導入している。 マルチスケールな表現学習、原則的不確実性推定、および単一エンドツーエンドフレームワークにおける自己監督型埋め込み多様性を統一する。 具体的には、HU-GNNはノードクラスタを適応的に形成し、個々のノードからより高いレベルまでの複数の構造スケールで不確実性を推定する。
  論文  参考訳（メタデータ） (2025-04-28T14:22:18Z)
• 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)
• KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph Neural Networks [63.531790269009704]
  ソーシャル・インターネット・オブ・モノ(Social Internet of Things, SIoT)は、スマート・オブジェクト(物)にソーシャルネットワークの概念を注入する、有望で新興のパラダイムである。 リスクと不確実性のため、解決すべき重要かつ緊急の問題は、SIoT内で信頼性の高い関係、すなわち信頼評価を確立することである。 本稿では,SIoTにおける信頼度向上のための知識強化グラフニューラルネットワーク(KGTrust)を提案する。
  論文  参考訳（メタデータ） (2023-02-22T14:24:45Z)
• TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature [63.78619502896071]
  信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。 本稿では,信頼グラフの伝播性および構成性を考慮した新しい信頼評価手法TrustGNNを提案する。 具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。
  論文  参考訳（メタデータ） (2022-05-25T13:57:03Z)

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。