論文の概要: TrustFormer: Cross-Temporal and Cross- Dimensional Transformer for Task-Specific Multi-Dimensional Trust Evaluation

• arxiv url: http://arxiv.org/abs/2608.25238v1
• Date: Tue, 25 Aug 2026 23:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.495996
• Title: TrustFormer: Cross-Temporal and Cross- Dimensional Transformer for Task-Specific Multi-Dimensional Trust Evaluation
• Title（参考訳）: TrustFormer:タスク特異的多次元信頼評価のためのクロステンポラルおよびクロス次元トランス
• Abstract要約: 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。
• 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: In dynamic collaborative systems, the selection of reliable collaborators is critical to ensuring effective task execution. Existing trust evaluation methods often rely on unidimensional or scalar representations, which fail to faithfully capture a collaborator's true trustworthiness, thereby motivating a shift toward multi-dimensional trust modeling. However, due to the asynchrony of collected trust-related data across different dimensions, as well as the complex intra- and inter-dimensional dependencies embedded within these data, multi-dimensional trust evaluation remains challenging. To address these challenges, we propose TrustFormer, a task-specific multi-dimensional trust evaluation framework. Specifically, TrustFormer leverages task identifiers and device-generated timestamps to synchronize heterogeneous trust-related data across historical collaborations. It further employs cross-temporal and cross-dimensional attention mechanisms to jointly model temporal dynamics and inter-dimensional correlations, thereby effectively learning the multi-dimensional trust evolution of potential collaborators from historical performance data. In addition, according to the multi-dimensional resource requirements of tasks, potential collaborators' multi-dimensional resource trust is evaluated. Finally, by synthesizing these multi-dimensional trust profiles, the framework enables the optimal collaborator selection. Experimental results demonstrate that TrustFormer outperforms existing methods by yielding a 40.8% improvement in trust evaluation accuracy and enabling more reliable collaborator selection.
• Abstract（参考訳）: 動的協調システムでは、信頼性の高い協調作業者の選択が効果的なタスク実行の確保に不可欠である。 既存の信頼評価手法は、しばしば一次元またはスカラー表現に依存しており、これは協力者の真の信頼度を忠実に捉えず、多次元信頼モデリングへのシフトを動機付けている。 しかし、異なる次元にわたって収集された信頼関連データの非同期性や、これらのデータに埋め込まれた複雑な内的および間的依存関係のため、多次元信頼評価は依然として困難である。 これらの課題に対処するために,タスク固有の多次元信頼評価フレームワークであるTrustFormerを提案する。 具体的には、TrustFormerはタスク識別子とデバイス生成のタイムスタンプを利用して、過去のコラボレーション間で異質な信頼関連データを同期する。 さらに、時間的・横断的な注意機構を用いて、時間的ダイナミクスと時間的相関を結合的にモデル化し、歴史的業績データから潜在的協力者の多次元信頼進化を効果的に学習する。 また,タスクの多次元リソース要求に基づき,潜在的協力者の多次元リソース信頼度を評価する。 最後に、これらの多次元信頼プロファイルを合成することにより、最適なコラボレータ選択を可能にする。 実験の結果,TrustFormerは信頼性評価精度を40.8%向上し,信頼性の高い共同作業者選択を可能にし,既存の手法よりも優れていた。

関連論文リスト

• Multi-View Trust Evaluation for Collaborator Selection via Evidential Deep Learning [11.560090481333622]
  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。
  論文  参考訳（メタデータ） (2026-08-25T23:52:26Z)
• 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)
• 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)
• 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)
• 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。