論文の概要: TrustFlow: Topic-Aware Vector Reputation Propagation for Multi-Agent Ecosystems

• arxiv url: http://arxiv.org/abs/2603.19452v1
• Date: Thu, 19 Mar 2026 20:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.86715
• Title: TrustFlow: Topic-Aware Vector Reputation Propagation for Multi-Agent Ecosystems
• Title（参考訳）: TrustFlow:マルチエージェントエコシステムのためのトピック対応ベクターリプットプロパゲーション
• Authors: Volodymyr Seliuchenko,
• Abstract要約: TrustFlowは評価伝播アルゴリズムであり、各ソフトウェアエージェントに多次元評価ベクトルを割り当てる。 8つのドメインにまたがる50のエージェントのベンチマークでは、TrustFlowはシビル攻撃、評判の洗浄、投票リングに抵抗する。 PageRankやTopic-Sensitive PageRankとは異なり、TrustFlowはドット製品から直接クエリ可能なベクトル評価を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce TrustFlow, a reputation propagation algorithm that assigns each software agent a multi-dimensional reputation vector rather than a scalar score. Reputation is propagated through an interaction graph via topic-gated transfer operators that modulate each edge by its content embedding, with convergence to a unique fixed point guaranteed by the contraction mapping theorem. We develop a family of Lipschitz-1 transfer operators and composable information-theoretic gates that achieve up to 98% multi-label Precision@5 on dense graphs and 78% on sparse ones. On a benchmark of 50 agents across 8 domains, TrustFlow resists sybil attacks, reputation laundering, and vote rings with at most 4 percentage-point precision impact. Unlike PageRank and Topic-Sensitive PageRank, TrustFlow produces vector reputation that is directly queryable by dot product in the same embedding space as user queries.
• Abstract（参考訳）: 我々は,スカラースコアではなく,各ソフトウェアエージェントに多次元評価ベクトルを割り当てる評価伝播アルゴリズムであるTrustFlowを紹介する。 議論は、その内容の埋め込みによって各エッジを変調するトピックゲート変換演算子を通して相互作用グラフを通じて伝播され、縮約写像定理によって保証される一意の固定点に収束する。 我々は,高密度グラフ上で最大98%,スパースグラフ上で最大78%のマルチラベル精度を実現するリプシッツ-1転送演算子と構成可能な情報理論ゲートのファミリーを開発する。 8つのドメインにまたがる50のエージェントのベンチマークでは、TrustFlowはシビル攻撃、評判の洗浄、投票リングに抵抗する。 PageRankやTopic-Sensitive PageRankとは異なり、TrustFlowは、ユーザクエリと同じ埋め込みスペースのドット製品から直接クエリ可能なベクトル評価を生成する。

関連論文リスト

• CORE: Robust Out-of-Distribution Detection via Confidence and Orthogonal Residual Scoring [9.25889614321249]
  ディープラーニングモデルを確実にデプロイするためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 本研究では,各部分空間を独立にスコアリングして2つの信号をアンタングル化し,それらを正規化和で結合するCOREを提案する。 COREは5つのアーキテクチャと5つのベンチマーク構成で、競争力や最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-18T21:23:54Z)
• Attention Mechanism and Heuristic Approach: Context-Aware File Ranking Using Multi-Head Self-Attention [0.09999629695552194]
  ポスト決定論的スコアリング改善機構としてのマルチヘッド自己認識の応用を提案する。 偽陰性(影響のあるファイルの欠落)は偽陽性(レビュー中にすぐに削除できる無関係なファイル)よりもはるかにコストがかかるため、私たちは正確さよりもリコールに重点を置いています。 200のテストケースに対する実証的な評価は、リポジトリの複雑さと構造によって、Top-50リコールが62-65%から78-82%に改善したことを示している。
  論文  参考訳（メタデータ） (2026-01-07T21:50:54Z)
• 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)
• FedScalar: A Communication efficient Federated Learning [0.0]
  フェデレーテッド・ラーニング(FL)は分散機械学習でかなりの人気を集めている。 emphFedScalarは、エージェントが単一のスカラーを使用して更新を通信することを可能にする。
  論文  参考訳（メタデータ） (2024-10-03T07:06:49Z)
• Synchronous Faithfulness Monitoring for Trustworthy Retrieval-Augmented Generation [96.78845113346809]
  Retrieval-augmented Language Model (RALMs) は、知識集約型タスクにおいて、高い性能と幅広い適用性を示している。 本稿では,非偽文の検出に微細な復号力学を利用する軽量モニタであるSynCheckを提案する。 また、長文検索拡張生成のためのビームサーチによって導かれる忠実度指向の復号アルゴリズムであるFODを導入する。
  論文  参考訳（メタデータ） (2024-06-19T16:42:57Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• 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)
• Birds of a Feather Trust Together: Knowing When to Trust a Classifier via Adaptive Neighborhood Aggregation [30.34223543030105]
  我々は、NeighborAggがアダプティブ近隣アグリゲーションを介して2つの重要な情報を利用する方法を示す。 また, 誤り検出の密接な関連課題へのアプローチを拡張し, 偽陰性境界に対する理論的カバレッジを保証する。
  論文  参考訳（メタデータ） (2022-11-29T18:43:15Z)
• ProxyMix: Proxy-based Mixup Training with Label Refinery for Source-Free Domain Adaptation [73.14508297140652]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。 Proxy-based Mixup training with label refinery (ProxyMix)を提案する。 3つの2D画像と1つの3Dポイントクラウドオブジェクト認識ベンチマークの実験は、ProxyMixがソースフリーなUDAタスクに最先端のパフォーマンスをもたらすことを示した。
  論文  参考訳（メタデータ） (2022-05-29T03:45:00Z)

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。