論文の概要: Enforcing Trust Accountability with Backward Propagation

• arxiv url: http://arxiv.org/abs/2606.08851v1
• Date: Sun, 07 Jun 2026 21:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.486236
• Title: Enforcing Trust Accountability with Backward Propagation
• Title（参考訳）: 裏方伝播による信託説明責任の執行
• Authors: Wenbo Wu, George Konstantinidis,
• Abstract要約: RepuLinkは2層評価モデルであり、相互作用フィードバックネットワークと支持ネットワークを結合する。 RepuLinkはインタラクションのみとフル2層設定の両方で,4つの評価指標でパフォーマンスが向上することを示す。
• 参考スコア（独自算出の注目度）: 1.0264137858888513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trust and reputation management underpins reliable interactions in distributed networks, yet existing trust models rely solely on forward propagation of interaction-based trust signals. They lack robust mechanisms to enforce accountability for the propagated trust signals when negative interactions occur. In addition, such models often fail to initialize newly joined nodes with sparse interaction history, leading to the cold-start problem. In this paper, we propose RepuLink, a two-layer reputation model that couples an endorsement network with an interaction feedback network. RepuLink integrates two concurrent backward propagation mechanisms: Backward Endorsement Penalty Propagation (BEPP), which recursively penalizes endorsers of misbehaving nodes, and Backward Endorsement Reward Propagation (BERP), which rewards endorsers of well-performing nodes. Together, RepuLink enforces endorsement accountability and incentivizes positive behaviors, which form a positive interaction feedback loop. The endorsement layer further provides explainable, endorser-weighted trust initialization for newly joined nodes. Experiments on real-world datasets against representative trust propagation baselines demonstrate that RepuLink outperforms across four evaluation metrics in both interaction-only and full two-layer settings, while preserving comparable efficiency.
• Abstract（参考訳）: 信頼と評価の管理は、分散ネットワークにおける信頼性の高いインタラクションを支えるが、既存の信頼モデルは、インタラクションベースの信頼信号の転送のみに依存している。 負の相互作用が起こると、伝播する信頼信号の説明責任を強制する堅牢なメカニズムが欠如している。 さらに、そのようなモデルは疎相互作用履歴を持つ新しい結合ノードの初期化に失敗することが多く、コールドスタート問題を引き起こす。 本稿では,2層評価モデルであるRepuLinkを提案する。 RepuLinkは2つの同時バックワード伝搬機構を統合している: Backward Endorsement Penalty Propagation (BEPP)。 RepuLinkは、支持説明責任を強制し、ポジティブな振る舞いを動機付け、ポジティブなインタラクションフィードバックループを形成する。 支持層はさらに、新しく結合されたノードに対して説明可能な、支持者重み付き信頼初期化を提供する。 代表的な信頼の伝播ベースラインに対する実世界のデータセットの実験では、RepuLinkは4つの評価指標において、インタラクションのみとフル2層設定の両方で、同等の効率を保ちながら、パフォーマンスが向上している。

関連論文リスト

• Robust Multi-Agent LLMs under Byzantine Faults [12.778788735297288]
  大規模言語モデル(LLM)エージェントは、信頼性を向上させるためにピアツーピアネットワークを介して協力する傾向にある。 信頼性の低いエージェントやビザンティンのエージェントは、近隣のエージェントを誤った結論へと誘導し、システム全体の性能を低下させる可能性がある。 既存の手法は、リーダーベースの調整や自己報告された信頼に依存しており、どちらも敵の操作に影響を受けやすい。
  論文  参考訳（メタデータ） (2026-05-09T17:37:43Z)
• The Reciprocity Gradient [52.35929743862925]
  コミュニケーションは、戦略的相互作用における相互性と協力を維持するための基本である。 学習エージェントに特有の集中的最適化の難しさとして,影響帰属問題を同定し,定式化する。 これを解決するために、公衆の観察から訓練された相手の政策の個人推定器を通して、報酬勾配を明示的に逆伝搬する相互性勾配を導入する。
  論文  参考訳（メタデータ） (2026-05-08T16:29:52Z)
• Trust, Don't Trust, or Flip: Robust Preference-Based Reinforcement Learning with Multi-Expert Feedback [2.4352490146713364]
  マルチエキスパートの選好フィードバックから共有報酬モデルと専門家固有の信頼パラメータを共同で学習する統合フレームワークであるTriTrust-PBRLを紹介する。 TTPは最先端のロバスト性を実現し、敵対的腐敗下では概日光性能を維持し、標準のPBRL法は破滅的に失敗する。
  論文  参考訳（メタデータ） (2026-01-26T18:21:48Z)
• Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders [16.96064437725128]
  既存の方法は、同時にフィードバックを無視しながら、観測されていない共同創設者に対処するか、あるいは、制限された線形仮定の下でフィードバックを考慮に入れます。 DIG2RSIは,同時フィードバックと非観測共起の両方に対処する新しいディープラーニングフレームワークである。 我々は、標準条件下での推定器の整合性を証明し、真のピア効果の回復を確実にする。
  論文  参考訳（メタデータ） (2025-08-05T05:49:49Z)
• RepuNet: A Reputation System for Mitigating Malicious Clients in DFL [2.3999111269325266]
  Decentralized Federated Learning (DFL)は、ノードが中央サーバなしでモデルを協調的にトレーニングすることを可能にする。 悪意のあるノードは、この自律性を利用して、破損したモデルを送信したり、モデルの提出を遅らせたり、過剰なメッセージでネットワークを浸水させたりすることができる。 本稿では,DFLにおける脅威を分類し,ノードの挙動を動的に評価する分散評価システムであるRepuNetを提案する。
  論文  参考訳（メタデータ） (2025-06-24T10:46:48Z)
• Intra-Trajectory Consistency for Reward Modeling [67.84522106537274]
  軌道内整合性正則化を開発し、より高い次トーケン生成確率を持つプロセスがより一貫した報酬を維持することを強制する。 提案した正規化でトレーニングした報酬モデルにより、より優れたDPO整合ポリシーが導出され、より優れたベスト・オブ・N(BON)検証結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-06-10T12:59:14Z)
• Enhancing Federated Survival Analysis through Peer-Driven Client Reputation in Healthcare [1.2289361708127877]
  Federated Learningは、患者のデータのプライバシを損なうことなく、協調的なモデルトレーニングを可能にすることで、デジタルヘルスを大いに約束する。 本稿では、分散化されたピアフィードバックとクラスタリングに基づくノイズハンドリングを統合した、フェデレーション型医療のためのピア駆動評価機構を提案する。 クライアント側のモデル更新に差分プライバシを適用することで、評判計算中に機密情報が保護されることが保証される。
  論文  参考訳（メタデータ） (2025-05-22T03:49:51Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• 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)

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。