DGTEN：基于深度高斯分布的鲁棒图神经网络动态信任评估模型

大规模动态图中的动态信任评估需要能够捕捉变化关系、表达校准置信度并抗御对抗性操纵的模型。DGTEN（Deep Gaussian-Based Trust Evaluation Network）引入了统一的图基框架，通过结合不确定性感知消息传递、表达性时序建模与针对信任目标攻击的内置防御机制，实现上述三重需求。它将节点和边表示为高斯分布，使语义信号与认知不确定性能够共同通过图神经网络传递，从而实现基于风险的信任决策。为跟踪信任演化，模型采用混合绝对-高斯-钟形位置编码，结合Kolmogorov-Arnold网络实现无偏多头注意力，随后引入基于常微分方程的残差学习模块，以联合建模突发性变化与平滑趋势。鲁棒自适应集成系数分析通过余弦相似度和Jaccard相似度进行互补筛选或降权可疑交互，遏制声誉洗白、破坏及开关式攻击。在两个有符号的比特币信任网络上，DGTEN在关键场景显著提升性能：在比特币-OTC上实现单时段预测，MCC提升12.34%；在比特币-Alpha的冷启动场景下实现+25.00%的MCC提升，为所有任务和数据集中的最大幅度；在对抗性开关攻击下相较基线提升最高达+10.23%的MCC。这些结果充分证明了DGTEN统一框架的有效性。