TrustGuard：基于GNN的支持动态性的鲁棒可解释信任评估
机器学习
2024-02-06 v4 人工智能
摘要
信任评估衡量实体间的信任关系并辅助决策。机器学习（ML）因其学习能力在信任评估中展现出巨大潜力。近年来，图神经网络（GNNs）作为一种新的ML范式，在处理图数据方面表现出优越性。这促使研究者探索其在信任评估中的使用，因为实体间信任关系可建模为图。然而，当前采用GNNs的信任评估方法未能充分满足信任的动态性，忽视信任相关攻击的负面影响，且无法对评估结果提供令人信服的解释。为解决这些问题，我们提出TrustGuard，一种基于GNN的准确信任评估模型，支持信任动态性，对典型攻击鲁棒，并通过可视化提供解释。具体而言，TrustGuard设计为包含快照输入层、空间聚合层、时间聚合层与预测层的分层架构。其中，空间聚合层采用防御机制鲁棒聚合局部信任，时间聚合层应用注意力机制有效学习时间模式。在两个真实数据集上的大量实验表明，即使在攻击存在下，TrustGuard在单时隙与多时隙信任预测方面均优于SOTA的基于GNN的信任评估模型。此外，TrustGuard可通过可视化空间与时间视图解释其评估结果。
引用
@article{arxiv.2306.13339,
title = {TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support},
author = {Jie Wang and Zheng Yan and Jiahe Lan and Elisa Bertino and Witold Pedrycz},
journal= {arXiv preprint arXiv:2306.13339},
year = {2024}
}
备注
Accepted by IEEE TDSC. Code: https://github.com/Jieerbobo/TrustGuard