Выравнивание инженерного доверия теория, метод и эксперименты а
 Скачать 0.97 Mb.
|
|
Корр. контроль управления MSE 10% Machine Translated by Google Хотя на первый взгляд эти предположения кажутся ограничительными, мы приводим ряд примеров реальных приложений, в которых эти предположения выполняются. Существует онтология предметной области, в которой описываются объективные свойства взаимодействий. Агенты, совпадающие друг с другом, наблюдают один достаточно большой набор взаимодействий, который мы называем набором общих взаимодействий. модели. Чтобы еще больше усложнить этот вопрос, проблема будет состоять не в том, чтобы узнать агрегированное значение, а в том, чтобы узнать отношение между двумя значениями из лежащих в основе данных. Во-первых, отдельные значения, полученные из этих данных, различаются, поскольку каждый агент учитывает разные критерии, а во-вторых, используется разный метод агрегирования. Это представляет слишком много неизвестных переменных, чтобы их можно было изучить сразу. Если для оценки доверия используются фоновые знания о домене, эти фоновые знания распределяются между агентами в системе. P2P-маршрутизация. Одной из проблем, возникающих в сетях P2P, является информация о маршрутизации. Принятие решения о том, какому узлу можно доверять для передачи требуемой информации, не является тривиальным решением, особенно если сеть используется для разных целей, например, для потоковой передачи различных типов мультимедиа, к которым разные агенты предъявляют разные требования. Современные модели доверия и репутации предлагают возможное решение (Perreau de Pinninck Bas et al., 2010), но поскольку система очень динамична, часто невозможно получить достаточно прямой информации об агентах для расчета надежности агента. Из-за децентрализованного характера протоколов P2P не существует доверенного органа, который может хранить репутацию, и агенты должны сообщать друг другу о доверии. Многие протоколы P2P позволяют отслеживать путь между различными одноранговыми узлами с доступной дополнительной информацией, такой как время между переходами или физическое местоположение одноранговых узлов (Vu et al., 2010). Эта информация находится в свободном доступе, и мы можем рассматривать такой путь как взаимодействие, которое разделяется между сверстниками. Это требует обмена большей информацией, чем это требуется для текущих P2P- протоколов: чтобы агенты, находящиеся на более раннем этапе пути, знали об агентах, находящихся на более позднем этапе пути, эта информация должна быть общедоступной или, по крайней мере, совместно использоваться всеми одноранговыми узлами на пути. Однако после этого все агенты на пути совместно используют все взаимодействие и могут использовать такие взаимодействия для согласования. Оценка доверия может основываться на ряде критериев, таких как своевременность пересылки пакета, отправка пакета в правильном физическом направлении и отсутствие компрометации содержимого пакета. Разные агенты могут оценивать это по-разному, и, таким образом, чтобы сообщать о доверии, им необходимо согласовываться. Из-за огромного количества пакетов разумно ожидать, что два одноранговых узла совместно используют достаточно взаимодействий для выполнения выравнивания. Более того, многие протоколы P2P предоставляют язык на основе RDF для описания таких взаимодействий. электронная коммерция. Механизмы доверия и репутации часто связаны с системами электронной коммерции, самым известным примером является система репутации eBay (Omidyar, 1995) . Таким образом, представляемый нами метод можно рассматривать либо как необходимый первый шаг для решения этой проблемы, либо как полное обходное решение проблемы: изучив соответствие между отдельными оценками, агент может просто использовать свой собственный метод агрегирования, избегая необходимость решения более сложной проблемы поиска соответствия между методами агрегирования. Агенты хотят и могут сообщать свои оценки на основе одного взаимодействия. Тем не менее, как мы утверждали во введении, коммуникация и в этой области проблематична. Однако предположение о том, что два агента наблюдают одно и то же взаимодействие, вероятно, слишком сильно для этой области. Вместо этого мы могли бы ослабить это условие и работать с аналогичными взаимодействиями. Для этого агенты должны использовать некоторую меру подобия между их взаимодействиями. Проблема нахождения адекватной меры подобия для семантических данных широко изучалась для сопоставления онтологий и аналогичных проблем семантической сети (Resnik, 1999; Rodrı ´guez and Egenhofer, 2003). Если два взаимодействия достаточно похожи, рассмотрение их как одного и того же токена является тривиальным расширением нашей схемы. Наблюдения каждого агента за этим единственным токеном являются его собственными наблюдениями за его собственным взаимодействием, и оценка доверия основывается на этих наблюдениях. Обратите внимание, однако, что это требует дополнительных Эксперимент B имеет дело с шумом в процессе юстировки. Этот шум имитирует неопределенность в значениях доверия, и эксперимент показывает, что выбранный алгоритм регрессии является надежным, если оценки доверия других участников «зашумлены». Мы ожидаем, что надежность алгоритма выравнивания также связана с богатством LDomain: сообщение должно содержать достаточно информации о домене, чтобы дополнить или даже заменить информацию от LTrust в процессе обучения. Этот эксперимент представляет собой первое исследование устойчивости метода выравнивания к лживым агентам, и мы видим, что выравнивание работает, несмотря на то, что агенты сообщают неверные оценки доверия. Однако более изощренный лжец мог победить систему. В частности, мы распознали две уязвимости, но вполне может быть больше способов обмануть алгоритм обучения, который мы используем: первая уязвимость связана с мошенническим агентом, который притворяется, что имеет те же оценки, что и агент, с которым он согласуется. Вторая уязвимость связана с мошенническим агентом, который отправляет правильную информацию при выравнивании, но позже отправляет ложную оценку доверия, а также ложную информацию о домене. Такое мошенничество может быть остановлено продуманным дизайном протоколов и применением методов выявления лжецов, как обсуждалось в разделе 2. В будущем мы намерены интегрировать такие методы с механизмом согласования. 5.6.1. Приложения Хотя экспериментальная установка ограничена, она показывает, что агенты, использующие выравнивание доверия, улучшают полезность связи при предположениях, необходимых для выполнения выравнивания. Как указано во введении, эти предположения таковы: 470 А. Костер и соавт. / Междунар. Дж. Человеко-компьютерные исследования 70 (2012) 450–473 Machine Translated by Google Доказательство. Пусть T и T0 — целевые агенты, а X и Y — наборы SRA, сгенерированные из X½T соответственно X½T0 . Нам нужно показать, что lgg является дистрибутивным по отношению к объединению этих теорий, другими словами, lggðX [ YÞ lggðlggðXÞ; lggðYÞÞ. Согласно определению 4.3 теории также можно рассматривать как множества определенных дизъюнктов. Мы различаем два случая: 6. Выводы и будущая работа Второй вклад носит практический характер: мы эмпирически показываем, что алгоритм регрессии первого порядка может быть использован в качестве практической реализации нашей теоретической основы и способен изучать соответствие между различными моделями для оценки агентов при наличии адекватной онтологии предметной области. . Второй эксперимент демонстрирует надежность метода выравнивания в шумной среде: используя информацию из онтологии предметной области (LDomain), алгоритм способен поддерживать одинаковое качество выравнивания в большинстве ситуаций. Только если собственные оценки доверия заменяются случайным шумом, выравнивание ухудшается. Такое поведение ожидается с используемым алгоритмом, который в значительной степени зависит от точности собственных оценок доверия. Приложение А. Доказательство теоремы 1. Проблема, которую мы рассматриваем в этой статье, заключается в передаче оценок доверия, и вклад этой статьи двоякий. Во-первых, это теоретический вклад: мы представляем теоретическое описание процесса установления доверия с использованием математической модели информационного потока и представляем основу для решения с использованием y-подключения. Абстрагируясь от фактических вычислений, модель позволяет согласовать оценки доверия из множества различных вычислительных моделей доверия и репутации. Будущая работа должна также включать расширение сценария эксперимента. Пока мы учитывали только один сценарий, но работа алгоритма может зависеть как от типа модели доверия, так и от сценария. Теоретическая основа не зависит от таких вопросов, но будущие эмпирические исследования должны будут подтвердить, что согласование также можно изучить в разных областях и с использованием разных моделей доверия. В частности, интересно посмотреть, как метод выравнивания работает на практике. Кроме того, мы будем работать над методами согласования, которые могли бы работать с агентами, которые решили не раскрывать свои основания для доверия из соображений конфиденциальности. Точно так же они могли лгать о своем оправдании. Это общая проблема области доверия, и наша работа хорошо увязывается с попытками стимулировать правдивое поведение (Witkowski, 2010). Поощрение честного или санкционирование нечестного общения, по-видимому, помогает процессу выравнивания. На протяжении всей этой статьи мы предполагали, что модели доверия агентов неизменны. Учитывая один набор взаимодействий, агент всегда будет вычислять одну и ту же оценку доверия. Однако если модель доверия зависит от убеждений и целей агента, то ее уже нельзя считать неизменной только в отношении взаимодействий. Токены для классификации, представляющей такую модель доверия, должны включать в себя нечто большее, чем просто набор взаимодействий (или наблюдений за ними). Это расширение классификаций и канала доверия для работы с динамическими моделями доверия может быть выполнено в рамках теории каналов: мы считаем, что в будущем это будет сделано путем расширения конкретной реализации теории, которую мы представили в этой статье. сценарии, предложенные в разделе 5.6.1. Хотя мы считаем, что такие домены хорошо подходят для использования преимущества метода выравнивания для повышения точности оценок доверия, это необходимо проверить экспериментально. Наша будущая работа будет сосредоточена на большем экспериментировании с лжецами путем реализации более реалистичной модели лжецов, например, включения стратегической лжи, а не использования случайного шума в качестве нашей модели для лжецов. Эта работа поддерживается грантом Generalitat de Catalunya 2009-SGR-1434 и Министерством образования Испании в рамках проектов Соглашения о технологиях: CONSO LIDER CSD2007-0022, INGENIO 2010 и проекта CBIT: TIN2010-16306. сообщение о взаимодействиях перед согласованием, чтобы установить набор подобных взаимодействий. Кроме того, мы добавляем больше неопределенности, используя такую меру подобия, потому что могут быть скрытые факторы, которые очень отличаются между взаимодействиями, которые агенты считают похожими. Несмотря на это, мы считаем вероятным, что потенциальная финансовая выгода от более эффективного выбора партнеров по взаимодействию в среде электронной коммерции компенсирует эти недостатки. Благодарности Мы хотели бы поблагодарить Хуана Антонио Родригеса Агилара за его полезные комментарии. Первый автор хотел бы поблагодарить Hendrik Blockeel и Katholieke Uni versiteit Leuven за возможность посетить его. Часть работы, описанной в этой статье, была проделана во время этого визита. Еще одна интересная тема для будущей работы — выяснить, когда необходимо обновить выравнивание. До сих пор мы считали выравнивание окончательным, но в действительности агенты могут изменить свое поведение и, следовательно, свои критерии оценки других агентов. Такое изменение сделает недействительным любое сделанное выравнивание, и поэтому важно обнаруживать такие ситуации и возможные способы обновления выравнивания, желательно без необходимости заново начинать изучение выравнивания с нуля. 1. Все предложения в X имеют один и тот же предикат в заголовке и аналогичные для Y. В этом случае lgg(X) и lgg(Y) сами по себе являются определенными предложениями. Таким образом, правую часть также можно рассматривать как lgg множества, образованного объединением двух одноэлементных множеств lgg(X) и lgg(Y). Мы видим, что lgg(X) — верхний элемент в решетке через 471 А. Костер и соавт. / Междунар. Дж. Человеко-компьютерные исследования 70 (2012) 450–473 Machine Translated by Google Это легко увидеть: поскольку X DX [ Y, lgg(X) является элементом решетки для X [ Y. Аналогично для Y. Следовательно, в решетке есть элемент Z такой, что Z = lggðlggðXÞ; lggðYÞÞ. Это означает, что Z%lggðX [ YÞ. ebay.comS. Доказательство второй части теоремы, относящееся к разбиению XA и XB , аналогично. частичное упорядочение при y-подчинении попарного обобщения xi; xj 2 X. Аналогично для lgg(Y). Нам нужно показать, что lggðlggðXÞ; lggðYÞÞ эквивалентен верхнему элементу решетки через частичное упорядочение X [ Y. использованная литература Поскольку мы не делали никаких предположений относительно X½T или X½T0 , мы можем видеть, что это применимо к любой комбинации теорий в семействе X, и мы имеем полную решетку. & 2. Предложения в X или Y имеют разные предикаты в заголовке. Мы показываем этот случай для X, но доказательство для Y аналогично. В этом случае lgg(X) не будет предложением Horn, которое выходит за рамки структуры: вместо этого lgg(X) возвращает >. Таким образом, lgg(X) уже является верхним элементом в решетке, потому что нет предложения более общего, чем >. Более того, если lggðXÞ¼>, то lggðX [ YÞ¼> и, следовательно, lggðX [ YÞ lggðlggðXÞ; lggðYÞÞ. Однако, поскольку Z y-включает в себя все элементы в X и Y, он также y-включает в себя все элементы в X [Y] и, таким образом, ZklggðX [YÞ. Поэтому Z = lggðX [ YÞ. Это доказательство также показывает, что если LTrust содержит более одного предиката, то интересно сначала разбить SRA по предикату в голове и изучить эти обобщения отдельно: пока конечное обобщение все равно будет >, попутно будут найдены полезные прогностические модели. . & Блокил, Х., Дехаспе, Л., Демоен, Б., Янссенс, Г., Рамон, Дж., Вандекастил, Х., 2002. Повышение эффективности индуктивного логического программирования за счет использования пакетов запросов. Журнал исследований искусственного интеллекта 16, 135–166. Риган, К., Пупарт, П., Коэн, Р., 2006. Байесовское моделирование репутации на электронных рынках, чувствительных к субъективности, обману и изменениям. В: Материалы 21-й Национальной конференции по искусственному интеллекту (AAAI). AAAI Press, Бостон, Массачусетс, США, стр. 1206–1212. Омидьяр, П., 1995, Ebay. Проверено 26 сентября 2008 г. / http://www. Костер А., Сабатер-Мир Дж., Шорлеммер М., 2010б. Индуктивно генерируемые доверительные отношения на основе общих взаимодействий. В: Девятая международная объединенная конференция по автономным агентам и мультиагентным системам (AAMAS'10), IFAAMAS, Торонто, Канада, стр. 1571–1572. Бишоп, К.М., 2006. Распознавание образов и машинное обучение. Конте, Р., Паолуччи, М., 2002. Репутация в искусственных обществах: социальная Ниенхейс-Ченг, С.-Х., де Вольф, Р., 1997. Основы индуктивного логического программирования. В: Конспекты лекций по искусственному интеллекту, том. 1228. Костер, А., 2010 г. Почему необходимо согласование доверия? В: Материалы тринадцатого семинара «Доверие к агентским обществам» на AAMAS '10, IFAAMAS, Торонто, Канада, стр. 125–136. 472 ˇ Абдул-Рахман, А., Хейлс, С., 2000. Поддержка доверия к виртуальным сообществам, в: Proceedings of the 33rd Hawaii International Conference on System Sciences, vol. 6, стр. 4–7. Де Рэдт, Л., 2008. Логическое и реляционное обучение. Спрингер Верлаг. Гэри, М.Р., Джонсон, Д.С., 1979. Компьютеры и неразрешимость, Руководство по теории NP- полноты. У. Х. Фриман и Ко. Нардин, Л.Г., Брандао, А.А.Ф., Мюллер, Г., Сичман, Дж.С., 2009. Эффекты выразительности и неоднородности моделей репутации на испытательном полигоне искусства: некоторые предварительные эксперименты с использованием архитектуры соари. В: Материалы двенадцатого семинара «Доверие к агентским обществам» на AAMAS'09, Будапешт, Венгрия. Пиньол, И., Сабатер-Мир, Дж., Куни, Г., 2007. Как говорить о репутации, используя общую онтологию: от определения к реализации. В: Материалы десятого семинара «Доверие к агентским обществам» на AAMAS'07, Гонолулу, Гавайи, США, стр. 90–102. Перро де Пиннинк Бас, А., Шорлеммер, М., Сьерра, К., Крейнфилд, С., 2010. Защита социальной сети от обеления. В: Девятая международная объединенная конференция по автономным агентам и мультиагентным системам (AAMAS'10), IFAAMAS, Торонто, Канада, стр. 1563–1564. Спрингер, стр. 298–312. Мэтт, П.-А., Мордж, М., Тони, Ф., 2010. Объединение статистики и аргументов для вычисления доверия. В: Девятая международная объединенная конференция по автономным агентам и мультиагентным системам (AAMAS'10), IFAAMAS, Торонто, Канада, стр. 209–216. Пиньол, И., Сабатер-Мир, Дж., 2010. Основанный на аргументации протокол обмена социальными оценками. В: Материалы 19-й Европейской конференции по искусственному интеллекту (ECAI 2010), Лиссабон, Португалия. Спрингер. Спрингер-Верлаг. Плоткин Г.Д., 1970. Замечание об индуктивном обобщении. Машинный интеллект 5. А. Костер и соавт. / Междунар. Дж. Человеко-компьютерные исследования 70 (2012) 450–473 Костер А., Сабатер-Мир Дж., Шорлеммер М., 2010а. Согласование инженерного доверия: первый подход. В: Материалы тринадцатого рабочего семинара «Доверие к агентским обществам» на AAMAS'10, IFAAMAS, Торонто, Канада, стр. 111–122. Гейдельберг (Герм.). Юзенат, Дж., Швайко, П., 2007. Сопоставление онтологий. Спрингер-Верлаг, Kalfoglou, Y., Schorlemmer, M., 2003. IF-Map: метод отображения онтологий, основанный на теории информационных потоков. В: Spaccapietra, S., March, S., Aberer, K. (Eds.), Journal on Data Semantics I. Lecture Notes in Computer Science, vol. 2800. Спрингер, стр. 98–127. Барвайз, Дж., Селигман, Дж., 1997. Поток информации: логика распределенных систем. |