論文の概要: LLM4Trust: Exploring the Capabilities of Large Language Models for Trust Evaluation

• arxiv url: http://arxiv.org/abs/2609.33521v1
• Date: Sun, 27 Sep 2026 12:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:07:49.624128
• Title: LLM4Trust: Exploring the Capabilities of Large Language Models for Trust Evaluation
• Title（参考訳）: LLM4Trust: 信頼評価のための大規模言語モデルの能力を探る
• Abstract要約: 信頼評価は、リスク軽減と意思決定をサポートすることでサイバーセキュリティにおいて重要な役割を果たす。 大きな言語モデル(LLM)は、強力なゼロショット推論能力と幅広い知識のため、魅力的な代替手段を提供する。 LLM4Trustは,信頼度評価のためのLCMの能力を体系的に探求する最初のベンチマークフレームワークである。
• 参考スコア（独自算出の注目度）: 10.476593803368358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trust evaluation plays a critical role in cybersecurity by supporting risk mitigation and decision-making. A variety of trust evaluation methods have been proposed, with learning-based approaches offering high accuracy and automation. However, they often require substantial ground truth, suffer from low training efficiency, lack support for basic trust properties, and provide limited explainability. Large Language Models (LLMs) offer a compelling alternative due to their strong zero-/few-shot reasoning abilities and broad knowledge. To this end, we propose LLM4Trust, the first benchmark framework that systematically explores the capabilities of LLMs for trust evaluation. We first construct diverse trust graphs to model five basic trust properties and design corresponding property understanding tasks. We then assess the ability of eight representative LLMs to understand these properties under nine prompt methods. Based on this exploration, we identify the most effective LLM-prompt combinations and apply them to five real-world datasets for validating LLMs' trust evaluation capability. During this process, we propose two strategies to extract key information from large-scale trust graphs, addressing the context window limitations of LLMs. Extensive experiments show that LLMs can effectively understand basic trust properties and have great potential for real-world trust evaluation, particularly under limited supervision. However, they remain vulnerable to attacks targeting trust graphs and demonstration examples used in few-shot prompting, and incur high inference costs. Accordingly, we propose a defense mechanism and batch inference to improve the robustness and efficiency of LLM-based trust evaluation. The source code of LLM4Trust is available at https://github.com/Jieerbobo/LLM4Trust
• Abstract（参考訳）: 信頼評価は、リスク軽減と意思決定をサポートすることでサイバーセキュリティにおいて重要な役割を果たす。 様々な信頼評価手法が提案されており、学習に基づくアプローチが高精度で自動化されている。 しかし、それらはしばしば実質的な基礎的な真実を必要とし、訓練効率の低下、基本的な信頼特性のサポートの欠如、説明可能性の制限に悩まされている。 大きな言語モデル(LLM)は、強力なゼロショット推論能力と幅広い知識のため、魅力的な代替手段を提供する。 この目的のために,信頼度評価のための LLM の能力を体系的に検討する最初のベンチマークフレームワーク LLM4Trust を提案する。 まず,5つの基本信頼特性をモデル化し,それに対応する特性理解タスクを設計するために,多様な信頼グラフを構築した。 次に、これらの特性を9つのプロンプト法で理解する8つの代表LSMの能力を評価する。 本研究では,LLMの信頼度評価能力を検証するために,最も有効なLLM-promptの組み合わせを特定し,実世界の5つのデータセットに適用する。 本研究では,LLMのコンテキストウインドウ制限に対処するため,大規模信頼グラフからキー情報を抽出する2つの手法を提案する。 大規模な実験により、LLMは基本的な信頼特性を効果的に理解でき、特に限られた監督の下で、現実世界の信頼評価に大きな可能性を秘めていることが示された。 しかし、信頼グラフをターゲットとした攻撃や、数発のプロンプトで使用される実演例に対して脆弱であり、高い推論コストがかかる。 そこで本研究では,LCMに基づく信頼評価の堅牢性と効率を向上させるための防衛機構とバッチ推論を提案する。 LLM4Trustのソースコードはhttps://github.com/Jieerbobo/LLM4Trustで入手できる。

関連論文リスト

• TrustLLM: Trustworthiness in Large Language Models [446.5640421311468]
  本稿では,大規模言語モデル(LLM)における信頼度に関する総合的研究であるTrustLLMを紹介する。 まず、8つの異なる次元にまたがる信頼性の高いLCMの原則を提案する。 これらの原則に基づいて、真理性、安全性、公正性、堅牢性、プライバシ、機械倫理を含む6つの次元にわたるベンチマークを確立します。
  論文  参考訳（メタデータ） (2024-01-10T22:07:21Z)

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。