論文の概要: Multi-View Trust Evaluation for Collaborator Selection via Evidential Deep Learning
- arxiv url: http://arxiv.org/abs/2608.25235v1
- Date: Tue, 25 Aug 2026 23:52:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.49492
- Title: Multi-View Trust Evaluation for Collaborator Selection via Evidential Deep Learning
- Title（参考訳）: 情報深層学習による協調者選定のための多視点信頼評価
- Abstract要約: 本稿では,MVEに基づく信頼度評価手法を提案する。
まず、潜在的協力者と相互作用した各タスク所有者を独立した観察視点としてモデル化する。
第2に,変化条件下での信頼の動的進化に対処するために,マンバモデルにおける強力なロングシーケンスモデリング能力を利用する。
第3に、ビュー固有の信頼度評価の確実性レベルを定量化するために、MVEに明らかな深層学習機構を組み込んだ。
- 参考スコア（独自算出の注目度）: 11.560090481333622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Selection of trustworthy collaborators in distributed systems is critical for efficient task completion, necessitating the inference of trustworthiness from their past collaboration experience. However, as a collaborator serves distinct devices across diverse scenarios in past collaborations, its trust-related data, observed from different device-specific views, is inherently multi-source, heterogeneous, and uneven in quality. Consequently, achieving accurate trust evaluations for collaborator selection remains a major challenge. To tackle these issues, we propose a novel multi-view evidential learning (MVE) based trust evaluation method. First, to accommodate the multi-source heterogeneity of observed trust-related data, we model each task owner who has interacted with a potential collaborator as an independent observational view, enabling the evaluation of the collaborator's view-specific trust. Second, to address the dynamic evolution of trust under changing conditions, we leverage the powerful long-sequence modeling capability of the Mamba model to capture the deep temporal patterns of a collaborator's trust state within each view. Furthermore, to quantify the certainty levels of view-specific trust assessments, we incorporate an evidential deep learning mechanism in MVE, which outputs trust evaluation results while quantifying the subjective uncertainty underlying them. Finally, we employ a dynamic evidential fusion strategy to adaptively integrate the multi-view evidence based on their respective quantified uncertainties, thereby yielding a final trust evaluation for the collaborator. Extensive experiments demonstrate that the proposed MVE method outperforms baselines in both trust evaluation accuracy and task success rate.
- Abstract（参考訳）: 分散システムにおける信頼性の高いコラボレータの選択は、過去のコラボレーション経験からの信頼性の推測を必要とする、効率的なタスク完了に不可欠である。
しかし、コラボレータは過去のコラボレーションにおいて様々なシナリオにまたがって異なるデバイスを提供するため、その信頼関連データは、異なるデバイス固有の視点から観察され、本質的にマルチソースであり、異種であり、品質が不均一である。
その結果、協力者選択のための正確な信頼評価を実現することは、依然として大きな課題である。
そこで本研究では,MVEに基づく信頼度評価手法を提案する。
まず、観測された信頼関係データの多元的不均一性に対応するために、潜在的協力者と相互作用した各タスク所有者を独立した観察視点としてモデル化し、協調者の視点固有の信頼度の評価を可能にする。
第2に,変化条件下での信頼の動的進化に対処するために,マンバモデルによる強力な時系列モデリング機能を活用し,各視点における協調者の信頼状態の深い時間的パターンを捉える。
さらに、ビュー固有の信頼度評価の確実性レベルを定量化するために、MVEに明らかな深層学習機構を導入し、その基礎となる主観的不確実性を定量化しながら、信頼評価結果を出力する。
最後に,各定量化の不確実性に基づいて多視点エビデンスを適応的に統合する動的顕在的融合戦略を用いて,共同作業者に対する最終的な信頼評価を行う。
大規模実験により,提案手法は信頼評価精度とタスク成功率の両方において,ベースラインを上回っていることが示された。
関連論文リスト
- TrustFormer: Cross-Temporal and Cross- Dimensional Transformer for Task-Specific Multi-Dimensional Trust Evaluation [11.560090481333622]
TrustFormerはタスク固有の多次元信頼評価フレームワークである。
過去の業績データから潜在的協力者の多次元信頼進化を学習する。
信頼性評価精度は40.8%向上し、より信頼性の高い協力者選択が可能となった。
論文 参考訳（メタデータ） (2026-08-25T23:57:18Z) - 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) - BrowseConf: Confidence-Guided Test-Time Scaling for Web Agents [58.05949210993854]
本研究では,長期にわたる行動の後,言語化された信頼度スコアを用いて,検索エージェントが自身の信頼を伝達できるかどうかを検討する。
本研究では,信頼度スコアを用いて回答の質を判断し,信頼度レベルに達するまで再度試すテスト時間スケーリング(TTS)手法を提案する。
論文 参考訳（メタデータ） (2025-10-27T15:58:51Z) - Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI [51.4138877170325]
本稿では,大規模AIモデル(LAM)に基づく教師・学生エージェントアーキテクチャに基づくタスク固有の信頼度セマンティックス蒸留モデルを提案する。
提案した2TSDモデルでは,協調者評価時間を短縮し,機器資源消費量を削減し,協調者選択の精度を向上させることができる。
論文 参考訳（メタデータ） (2025-09-09T21:18:31Z) - Mind the Generation Process: Fine-Grained Confidence Estimation During LLM Generation [63.49409574310576]
大規模言語モデル(LLM)は自信過剰を示し、信頼度の高いスコアを誤った予測に割り当てる。
本研究では,テキスト生成中に高精度できめ細かな信頼スコアを提供する信頼度推定手法であるFineCEを紹介する。
論文で使用されたコードとすべてのベースラインはGitHubで公開されている。
論文 参考訳（メタデータ） (2025-08-16T13:29:35Z) - Semantic Chain-of-Trust: Autonomous Trust Orchestration for Collaborator Selection via Hypergraph-Aided Agentic AI [57.58120823855315]
本稿では,新たなセマンティック・チェーン・オブ・トラストの概念に基づく自律的信頼オーケストレーション手法を提案する。
我々の技術はエージェントAIとハイパーグラフを用いてデバイス間の信頼関係を確立し維持する。
実験により,提案手法が資源効率の高い信頼評価を実現することを示す。
論文 参考訳（メタデータ） (2025-07-31T13:53:25Z) - Chain-of-Trust: A Progressive Trust Evaluation Framework Enabled by Generative AI [20.02079841777494]
デバイス属性データをよりよく活用するために、信頼の連鎖フレームワークが提案されている。
このフレームワークは、信頼評価プロセスをタスク分解に基づく連鎖ステージに分割する。
生成AIを使用して収集したデータを解析し、解釈し、正確な評価結果を生成する。
論文 参考訳（メタデータ） (2025-06-20T16:33:03Z) - Confidence Under the Hood: An Investigation into the Confidence-Probability Alignment in Large Language Models [14.5291643644017]
信頼性・確率アライメントの概念を紹介します。
モデルの内部と信頼感の一致を調査する。
分析したモデルのうち、OpenAIのGPT-4は信頼性と信頼性のアライメントが最強であった。
論文 参考訳（メタデータ） (2024-05-25T15:42:04Z) - Improving the Reliability for Confidence Estimation [16.952133489480776]
信頼度推定は、デプロイ中のモデルの予測出力の信頼性を評価することを目的としたタスクである。
これまでの研究は、信頼度推定モデルが持つべき2つの重要な特性を概説してきた。
信頼度推定モデルにおいて、両方の品質を同時に改善できるメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-13T06:34:23Z) - Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。
TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。
理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
論文 参考訳（メタデータ） (2022-04-25T03:48:49Z)
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。