从双锚信任分数重构信任嵌入：基于固定点语义的直接和方法

我们研究了从众多分布式安全框架公开的单维双锚信任分数中重构高维信任嵌入的逆问题。 starting from two independent agents that publish time-stamped similarity scores for the same set of devices，我们形式化了估计任务，推导了一个显式的直接和估计器，将配对得分序列与四个矩特征拼接，并证明了 resulting reconstruction map 在巴拿赫理论下的收缩 argument 中唯一固定点。一套合成基准（20个设备×10个时间步）确认，即使在高斯噪声影响下，恢复的嵌入仍保持设备间的几何结构，如欧几里得距离和余弦度量所测量；我们补充这些实验，对重构精度与得分序列长度之间关系给出非渐近误差界。除方法论外，本文演示了一种实际隐私风险：发布粗粒度信任分数可能泄露关于设备和评估模型的潜在行为信息。因此，我们讨论了对策——得分量化、校准噪声、隐蔽嵌入空间——并将其置于网络AI系统中关于透明度与保密性的广泛讨论中。所有数据集、复现脚本和延伸证明随稿件一起提交，以便在无需专有代码的情况下验证结果。