論文の概要: Trust as a Field: A Macroscopic Representation for Vehicular Networks

• arxiv url: http://arxiv.org/abs/2608.18178v1
• Date: Tue, 18 Aug 2026 01:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.17041
• Title: Trust as a Field: A Macroscopic Representation for Vehicular Networks
• Title（参考訳）: 現場としての信頼: 血管網のマクロ的表現
• Abstract要約: トラストアセスメント(Trust Assessment)は、コラボレーティブおよびコネクテッドカーシステムの基本コンポーネントである。 本研究では,顕微鏡による車両レベルの信頼度を時間とともに連続表現に集約する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 2.5782420501870296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trust assessment is a fundamental component of cooperative and connected vehicle systems. However, existing approaches operate primarily at the level of individual vehicles, making it difficult to reason about trust evolution across road segments. In this paper, we propose a spatio-temporal trust-field framework that aggregates microscopic vehicle-level trust into a continuous representation over space and time. The trust field is formally defined on road segments. We conducted simulation-based experiments using synthetic trajectories generated under controlled conditions, enabling analysis of trust-field behavior in simple road scenarios. Beyond theoretical modeling, we study an implication of the trust-field concept: reconstructing the full trust field from sparse roadside-unit (RSU) measurements. We compare (i) a coordinate-based deep learning baseline that learns a generic trust field from sparse samples and (ii) a field-informed deep learning method that treats trust as a latent quantity carried by vehicles and enforces measurement consistency through the aggregation mechanism. The field-informed approach more accurately recovers trajectory-aligned low-trust patterns and yields improved reconstruction error.
• Abstract（参考訳）: トラストアセスメント(Trust Assessment)は、コラボレーティブおよびコネクテッドカーシステムの基本コンポーネントである。 しかし、既存のアプローチは主に個々の車両のレベルで運用されており、道路セグメント間の信頼進化を推論することは困難である。 本稿では,空間と時間の連続的な表現に微視的車両レベルの信頼を集約する時空間信頼フィールドフレームワークを提案する。 トラストフィールドは、道路セグメントで正式に定義される。 制御条件下で生成した合成軌道を用いたシミュレーションに基づく実験を行い, 簡易道路シナリオにおける信頼場挙動の解析を可能にした。 理論的モデリングの他に、信頼フィールドの概念、すなわち、疎道側単位(RSU)測定から完全な信頼フィールドを再構築することの意味について研究する。 比較 一 スパースサンプルから総合的信頼分野を学習する座標に基づく深層学習ベースライン 二 信頼を車両が担っている潜伏量として扱い、集約機構を通じて測定一貫性を強制するフィールドインフォームド深層学習方法。 フィールドインフォームドアプローチは、軌道整列低トラストパターンをより正確に復元し、再構成誤差を改善する。

関連論文リスト

• From matrix inversion to constraints: provably tighter confidence regions for importance weights in label shift [0.5926203312586109]
  本稿では,倒立型推論から直接行列制約フレームワークへのパラダイムシフトを提案する。 我々はこの枠組みを用いて、連立信頼領域を定義し、線形プログラミングを通して境界区間を抽出する。 提案手法は, インバージョン法よりも信頼区間が短く, 予測セットも小さい。
  論文  参考訳（メタデータ） (2026-09-13T21:28:26Z)
• Modeling Misinformation as a Commons Problem [0.0]
  本稿では,信頼を総合資源とし,私的予算の不足として注目するエージェント・ベース・シミュレーションを提案する。 実験全体を通して、このモデルは4つの繰り返しモードを生成する: 信頼できる安定性、誤った情報支配、偏光、混合ベースライン。
  論文  参考訳（メタデータ） (2026-07-08T04:11:48Z)
• Trust in One Round: Confidence Estimation for Large Language Models via Structural Signals [13.89434979851652]
  大規模言語モデル(LLM)は、エラーが社会的、科学的、安全コストの高い領域にますます展開されている。 本稿では,出力の正確性を予測する単一パスモデル依存フレームワークであるStructure Confidenceを提案する。
  論文  参考訳（メタデータ） (2026-02-01T02:35:59Z)
• Confidence Estimation for LLMs in Multi-turn Interactions [48.081802290688394]
  この研究は、マルチターン相互作用における信頼度推定に関する最初の体系的研究である。 そこで我々は,2つの主要なデシラタに基礎を置く形式的評価枠組みを構築した。 我々の研究は、より信頼性が高く信頼性の高い会話エージェントを開発するための基礎的な方法論を提供する。
  論文  参考訳（メタデータ） (2026-01-05T14:58:04Z)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation [5.036362492608702]
  本稿では,地形変動を正確に予測するグローバルモデル学習用メタラーニングフレームワークMETAVerseを提案する。 トラバーサビリティ予測ネットワークをトレーニングし、疎いLiDAR点雲から高密度で連続的なコストマップを生成する。 近年の交流体験を生かして,ネットワークをローカル環境に迅速に適応させるために,オンライン適応を行う。
  論文  参考訳（メタデータ） (2023-07-26T06:58:19Z)
• 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)

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。