TCHG: 신뢰할 수 있는 동적 신뢰 예측을 위한 삼중 신뢰 조건부 이종 그래프 학습

신뢰 예측(Trust prediction)은 잠재적인 사용자 간 신뢰 관계를 추론하며, 소셜 추천(social recommendation), 가짜 리뷰 및 조작 탐지(fake-review and manipulation detection), 그리고 위험 식별(risk identification)에 중요한 지원을 제공합니다. 그래프 신경망(Graph neural networks, GNN)은 네트워크 구조와 복잡한 신뢰 의존성을 학습하는 능력 덕분에 신뢰 예측의 주요 접근 방식이 되었습니다. 그러나 기존 방법들은 종종 신뢰 신호의 통합된 표현(unified representation)에 의존하며, 이종 신뢰 증거(heterogeneous trust evidence)를 별도의 증거 채널로 분리하지 못하여, 신뢰 모델링 과정에서 서로 다른 증거 채널이 수행해야 할 고유한 역할을 활용하지 못하는 한계가 있습니다. 이러한 격차를 해소하기 위해, 본 논문은 신뢰 증거를 차별화되지 않은 입력으로 취급해서는 안 되며, 그래프 전파(graph propagation)에 대한 기능적 제어 요인(functional control factors)으로 분해하여 사용해야 한다고 주장합니다. 우리는 신뢰 증거를 세 가지 채널로 분해하고 전파 과정에서 각각 고유한 기능적 역할을 부여하는 삼중 신뢰 조건부 이종 그래프 학습 프레임워크인 TCHG를 제안합니다. 즉, 엔티티 신뢰성(entity reliability)은 메시지 수용(message admission)을 제어하고, 상호작용-행동 신뢰성(interaction-behavior reliability)은 전파 강도(propagation strength)를 조절하며, 문맥적 신뢰(contextual trust)는 문맥 조건부 연산자 선택(context-conditioned operator selection)을 통해 전파 모드(propagation mode)를 조정합니다. 세 가지 증거 채널은 서로 다른 시간적 척도(temporal scales)에서 진화하므로, TCHG는 비균일한 감쇠율(non-uniform decay rates)을 가진 독립적인 시간적 상태를 유지하여 빠르게 변화하는 문맥 신호가 느리게 축적되는 엔티티 신뢰성을 덮어쓰는 것을 방지합니다. 또한, 신뢰 확률을 예측하고 출력 확률을 보정(calibrate)함으로써, 희소하거나 상충하는 증거 하에서도 예측 신뢰도(predictive confidence)를 향상시킵니다. 여러 공개 신뢰 데이터셋에 대한 광범위한 실험 결과, TCHG는 대표적인 신뢰 예측 및 이종 그래프(heterogeneous graph) 베이스라인 모델들과 비교하여 효과적이고 신뢰할 수 있는 신뢰 예측을 달성함을 보여줍니다.