論文の概要: A Survey on Quantitative Modeling of Trust in Online Social Networks

• arxiv url: http://arxiv.org/abs/2603.11054v1
• Date: Thu, 26 Feb 2026 00:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.599908
• Title: A Survey on Quantitative Modeling of Trust in Online Social Networks
• Title（参考訳）: オンラインソーシャルネットワークにおける信頼の定量的モデリングに関する研究
• Authors: Wenting Song, K. Suzanne Barber,
• Abstract要約: オンラインソーシャルネットワークにおける信頼モデリングの研究は、信頼関係を測定するための計算モデルやアルゴリズムの開発に焦点を当てている。 我々は、オンラインソーシャルネットワーク向けに開発された最先端の信頼モデルの包括的分類とレビューを提供する。
• 参考スコア（独自算出の注目度）: 1.8521252921579003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online social networks facilitate user engagement and information sharing but are also rife with misinformation and deception. Research on trust modeling in online social networks focuses on developing computational models or algorithms to measure trust relationships, assess the reliability of shared content, and detect spam or malicious activities. However, most existing review papers either briefly mention the concept of trust or focus on a single category of trust models. In this paper, we offer a comprehensive categorization and review of state-of-the-art trust models developed for online social networks. First, we explore theories and models related to trust in psychology and identify several factors that influence the formation and evolution of online trust. Next, state-of-the-art trust models are categorized based on their algorithmic foundations. For each category, the modeling mechanisms are investigated, and their unique contributions to quantitative trust modeling are highlighted. Subsequently, we provide an implementation-centric trust modeling handbook, which summarizes available datasets, trust-related features, promising modeling techniques, and feasible application scenarios. Finally, the findings of the literature review are summarized, and unresolved challenges are discussed.
• Abstract（参考訳）: オンラインソーシャルネットワークは、ユーザーのエンゲージメントと情報共有を促進するが、誤情報や偽造に悩まされている。 オンラインソーシャルネットワークにおける信頼モデリングの研究は、信頼関係を計測し、共有コンテンツの信頼性を評価し、スパムや悪意のある活動を検出するための計算モデルやアルゴリズムの開発に焦点を当てている。 しかしながら、既存のレビュー論文の多くは、信頼の概念を簡潔に言及するか、信頼モデルの単一のカテゴリに焦点を当てている。 本稿では,オンラインソーシャルネットワーク向けに開発された最先端信頼モデルについて,包括的分類とレビューを行う。 まず,心理学における信頼に関する理論とモデルを探求し,オンライン信頼の形成と進化に影響を与えるいくつかの要因を同定する。 次に、最先端の信頼モデルはアルゴリズムの基礎に基づいて分類される。 各カテゴリについて、モデリングメカニズムを調査し、定量的信頼モデリングへのユニークな貢献を強調した。 その後、利用可能なデータセット、信頼に関連する機能、有望なモデリング技術、実現可能なアプリケーションシナリオをまとめた実装中心の信頼モデリングハンドブックを提供する。 最後に,文献レビューの結果を要約し,未解決課題について論じる。

関連論文リスト

• ONTrust: A Reference Ontology of Trust [1.068745732421904]
  本論文は,信頼に確固たる存在論的基盤を提供する長期研究プログラムの成果である。 信頼の基準オントロジー(ONTrust)は、統一基本オントロジーに基づいて開発され、オントUMLで規定されている。 ONTrustは、信頼の概念とその異なるタイプを公式に特徴づけ、信頼に影響を与えるさまざまな要因を記述し、また、信頼関係からリスクがどのように出現するかを説明する。
  論文  参考訳（メタデータ） (2026-02-07T18:47:34Z)
• Reliable and Responsible Foundation Models: A Comprehensive Survey [287.21660198043145]
  本調査は,基礎モデルの信頼性と責任を問うものである。 バイアスと公平性、セキュリティとプライバシ、不確実性、説明可能性、分散シフトなど、重要な問題について検討する。 各分野について,フィールドの現状を概観し,今後の研究の方向性について概説する。
  論文  参考訳（メタデータ） (2026-02-04T17:25:03Z)
• Trust in foundation models and GenAI: A geographic perspective [1.3483705601540006]
  大規模で事前訓練された機械学習モデルは、人工知能の理解を変えました。 これらのモデルへの依存が増し、重要な意思決定に頼りになるにつれて、信頼は欠落する概念となっている。 この章は、研究者、実践家、政策立案者が(生産的な)GeoAIの信頼性をよりよく理解するための概念的な出発点を提供することを目的としている。
  論文  参考訳（メタデータ） (2025-10-20T16:59:17Z)
• A biologically Inspired Trust Model for Open Multi-Agent Systems that is Resilient to Rapid Performance Fluctuations [0.0]
  既存の信頼モデルは、エージェントモビリティ、振る舞いの変化、コールドスタート問題に関連する課題に直面します。 我々は,信頼者が自身の能力を評価し,信頼データをローカルに保存する,生物学的にインスパイアされた信頼モデルを導入する。 この設計はモビリティサポートを改善し、通信オーバーヘッドを減らし、偽情報に抵抗し、プライバシーを保護する。
  論文  参考訳（メタデータ） (2025-04-17T08:21:54Z)
• On the Trustworthiness of Generative Foundation Models: Guideline, Assessment, and Perspective [377.2483044466149]
  Generative Foundation Models (GenFMs) がトランスフォーメーションツールとして登場した。 彼らの広く採用されていることは、次元の信頼に関する重要な懸念を提起する。 本稿では,3つの主要なコントリビューションを通じて,これらの課題に対処するための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-02-20T06:20:36Z)
• On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
  マルチモーダル生成モデルは 信頼性 公正性 誤用の可能性について 批判的な議論を巻き起こしました 埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。 提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
  論文  参考訳（メタデータ） (2024-11-21T09:46:55Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Trust in Human-AI Interaction: Scoping Out Models, Measures, and Methods [12.641141743223377]
  AIに注入されたシステムとのインタラクションにおいて、信頼が重要な要因として浮上している。 どんな信頼モデルが使われているのか、どんなシステムに使われているのかは、ほとんど分かっていない。 AIの信頼を測定するための標準的なアプローチはまだ知られていない。
  論文  参考訳（メタデータ） (2022-04-30T07:34:19Z)
• Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
  ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。 本稿では,データ駆動型多面信頼モデルを提案する。 信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
  論文  参考訳（メタデータ） (2021-11-11T19:40:51Z)

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。