論文の概要: TCHG: Tri-Trust Conditioned Heterogeneous Graph Learning for Reliable Dynamic Trust Prediction

• arxiv url: http://arxiv.org/abs/2606.16611v1
• Date: Mon, 15 Jun 2026 12:01:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.503079
• Title: TCHG: Tri-Trust Conditioned Heterogeneous Graph Learning for Reliable Dynamic Trust Prediction
• Title（参考訳）: TCHG: 信頼性の高い動的信頼予測のためのTri-Trust条件付き不均一グラフ学習
• Authors: Bohao Liao, Boyu Deng, Qipeng Song, Jieling Wang, Jingchao Wang,
• Abstract要約: グラフニューラルネットワークは、ネットワーク構造と複雑な信頼依存関係を学習する能力のため、信頼予測に対する顕著なアプローチになっている。 本稿では,信頼証拠を未分化な入力として扱うべきではないが,グラフ伝播に対する機能的制御因子として利用すべきである,と論じる。 提案するTHGは,信頼証拠を3つのチャネルに分解し,伝播における機能的役割を個別に割り当てる,信頼条件付き不均一グラフ学習フレームワークである。
• 参考スコア（独自算出の注目度）: 5.435667023660699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trust prediction infers latent user-user trust relations and provides important support for social recommendation, fake-review and manipulation detection, and risk identification. Graph neural networks have become a prominent approach to trust prediction because of their ability to learn network structures and complex trust dependencies. However, existing methods often rely on a unified representation of trust signals and do not disentangle heterogeneous trust evidence into separate evidence channels, failing to exploit the distinct roles that different evidence channels should play during trust modeling. To address this gap, this paper argues that trust evidence should not be treated as an undifferentiated input, but should be decomposed and used as functional control factors over graph propagation. We propose TCHG, a tri-trust conditioned heterogeneous graph learning framework that decomposes trust evidence into three channels and assigns them distinct functional roles in propagation: entity reliability governs message admission, interaction-behavior reliability modulates propagation strength, and contextual trust adjusts the propagation mode through context-conditioned operator selection. Since the three evidence channels evolve at different temporal scales, TCHG maintains independent temporal states with non-uniform decay rates to prevent rapidly changing contextual signals from overwriting slowly accumulated entity reliability. It further predicts trust probability and calibrates the output probability, improving predictive confidence under sparse or conflicting evidence. Extensive experiments on multiple public trust datasets show that TCHG achieves effective and reliable trust prediction compared with representative trust prediction and heterogeneous graph baselines.
• Abstract（参考訳）: 信頼予測は、潜伏したユーザ・ユーザ間の信頼関係を推測し、社会的レコメンデーション、偽レビューと操作検出、リスク識別のための重要なサポートを提供する。 グラフニューラルネットワークは、ネットワーク構造と複雑な信頼依存関係を学習する能力のため、信頼予測に対する顕著なアプローチになっている。 しかし、既存の手法は信頼信号の統一的な表現に依存し、異質な信頼証拠を別々のエビデンスチャネルに切り離すことなく、異なるエビデンスチャネルが信頼モデリング中に異なるエビデンスチャネルが果たすべき役割を活用できない。 このギャップに対処するために、信頼証拠は未分化な入力として扱われるべきではないが、グラフの伝播よりも機能的な制御因子として分解され、使用されるべきであると論じる。 本稿では,信頼証拠を3つのチャネルに分解し,その伝達における機能的役割を個別に割り当てる三つの信頼条件付き不均一グラフ学習フレームワークTHGを提案する。エンティティ信頼性はメッセージの入力を制御し,インタラクションビヘイビア信頼性は伝播強度を調節し,コンテキスト信頼はコンテキスト条件付き演算子選択によって伝搬モードを調整する。 3つのエビデンスチャネルは異なる時間スケールで進化するため、TCHGは非一様崩壊率を持つ独立した時間状態を維持し、急速に変化するコンテキスト信号が徐々に蓄積されたエンティティの信頼性を上書きするのを防ぐ。 さらに信頼確率を予測し、出力確率を校正し、スパースや矛盾する証拠の下で予測信頼性を向上させる。 複数の公トラストデータセットに対する大規模な実験により、THGは、代表トラスト予測や異種グラフベースラインと比較して、効果的で信頼性の高い信頼予測を実現することが示された。

関連論文リスト

• 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。