TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support

要約

信頼評価はエンティティ間の信頼関係を評価し、意思決定を促進します。
機械学習 (ML) は、その学習機能により、信頼性評価に大きな可能性を示します。
近年、グラフ ニューラル ネットワーク (GNN) は、新しい ML パラダイムとして、グラフ データの処理において優れていることが証明されています。
エンティティ間の信頼関係をグラフとしてモデル化できるため、研究者はこれを信頼評価に使用することを検討するようになりました。
しかし、GNNを用いた現在の信頼評価手法は、信頼の動的な性質を十分に満たすことができず、攻撃による信頼評価への悪影響が見逃され、評価結果について説得力のある説明ができません。
これらの問題に対処するために、信頼の動態をサポートし、典型的な攻撃に対して堅牢で、視覚化を通じて説明を提供する、GNN ベースの正確な信頼評価モデルである TrustGuard を提案します。
具体的には、TrustGuard は、スナップショット入力レイヤー、空間集約レイヤー、時間集約レイヤー、予測レイヤーを含む階層化アーキテクチャで設計されています。
このうち、空間集約層はローカルの信頼を堅牢に集約するための防御メカニズムを採用し、時間集約層は時間的パターンを効果的に学習するためのアテンション メカニズムを適用します。
2 つの現実世界のデータセットに対する広範な実験により、攻撃が存在する場合でも、単一タイムスロットとマルチタイムスロットにわたる信頼予測に関して、TrustGuard が最先端の GNN ベースの信頼評価モデルよりも優れたパフォーマンスを発揮することが示されました。
さらに、TrustGuard は空間ビューと時間ビューの両方を視覚化することで評価結果を説明できます。

要約(オリジナル)

Trust evaluation assesses trust relationships between entities and facilitates decision-making. Machine Learning (ML) shows great potential for trust evaluation owing to its learning capabilities. In recent years, Graph Neural Networks (GNNs), as a new ML paradigm, have demonstrated superiority in dealing with graph data. This has motivated researchers to explore their use in trust evaluation, as trust relationships among entities can be modeled as a graph. However, current trust evaluation methods that employ GNNs fail to fully satisfy the dynamic nature of trust, overlook the adverse effects of attacks on trust evaluation, and cannot provide convincing explanations on evaluation results. To address these problems, we propose TrustGuard, a GNN-based accurate trust evaluation model that supports trust dynamicity, is robust against typical attacks, and provides explanations through visualization. Specifically, TrustGuard is designed with a layered architecture that contains a snapshot input layer, a spatial aggregation layer, a temporal aggregation layer, and a prediction layer. Among them, the spatial aggregation layer adopts a defense mechanism to robustly aggregate local trust, and the temporal aggregation layer applies an attention mechanism for effective learning of temporal patterns. Extensive experiments on two real-world datasets show that TrustGuard outperforms state-of-the-art GNN-based trust evaluation models with respect to trust prediction across single-timeslot and multi-timeslot, even in the presence of attacks. In addition, TrustGuard can explain its evaluation results by visualizing both spatial and temporal views.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google