基于社会与物理属性定义的信任评估：面向人机共生系统的有效协作者选择

在人机共生系统中，设备间的协作不仅取决于网络拓扑等物理属性，还取决于人类用户之间的社会属性。因此，基于这些多维属性对潜在协作者进行信任评估变得至关重要，以确保最终结果。然而，由于物理属性和社会属性的高度异质性和复杂性，高效地将其集成以进行准确的信任评估仍具有挑战性。为克服这一困难，本研究提出了一种基于正交互相关分析（CCA）增强的超图自监督学习（HSLCCA）方法。首先，将所有属性视为连接设备之间的关系，构建关系超图，以全面捕捉跨三个维度（空间属性相关、设备属性相关、社会属性相关）的设备间关系。随后，开发了自监督学习框架，以整合这些多维关系并生成包含关系语义的设备嵌入。在该学习框架中，将关系超图增强为两个不同的视图以提高语义信息。随后，利用参数共享的超图神经网络从两个视图中学习设备嵌入。为进一步提升嵌入质量，应用 CCA 方法进行比较。最后，基于所学设备嵌入计算设备的可信度。广泛的实验表明，所提出的 HSLCCA 方法在有效识别可信赖设备方面显著优于基线算法。