RLTE: A Reinforcement Learning Based Trust Establishment Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Trust is a complex, multifaceted concept that includes more than just evaluating others' honesty. Many trust evaluation models have been proposed and implemented in different areas, most of them focused on creating algorithms for trusters to model the honesty of trustees in order to make effective decisions about which trustees to select, where a rational truster is supposed to interact with the trustworthy ones. If interactions are based on trust, trustworthy trustees will have a greater impact on the results of interactions' results. Consequently, building a high trust may be an advantage for rational trustees. This work describes a Reinforcement Learning based Trust Establishment model (RLTE) that goes beyond trust evaluation to outline actions to direct trustees (instead of trusters). RLTE uses the retention of trusters and reinforcement learning to model trustors' behaviors. A trustee uses reinforcement learning to adjust the utility gain it provides when interacting with each truster. The trustee depends on the average number of transactions carried out by that truster, relative to the mean number of transactions performed by all trusters interacting with this trustee. The trustee accelerates or decelerates the adjustment of the utility gain based on the increase or decrease of the average retention rate of all trusters in the society, respectively. The proposed model does not depend on direct feedback, nor does it depend on the current reputation of trustees in the environment. Simulation results indicate that trustees empowered with the proposed model can be selected more by trusters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle