论文阅读笔记--A Survey on Trust Evaluation Based on Machine Learning

论文地址:https://dl.acm.org/doi/10.1145/3408292

论文标题:A Survey on Trust Evaluation Based on Machine Learning

论文发表信息:

J. W. Wang, X. Y. Jing, Z. Yan*, Y. L. Fu, W. Pedrycz, L. T. Yang, “A Survey on Trust Evaluation Based on Machine Learning”, ACM Computing Surveys, 53, 5, Article 107, August 2020, 36 pages. https://doi.org/10.1145/3408292. (IF: 6.131)

 

 

总结:

该文章是一片综述，对基于机器学习的信任评估方法做了系统性的阐述，该文章由浅入深，首先介绍了机器学习、信任评估等一些基础知识，包括以往机器学习和信任评估所用到的一些方法、算法等，对这些方法进行了横向的对比，进而介绍了基于机器学习的深度评估的方法，指出使用基于机器学习的信任评估方法可能需要解决的问题，如一些潜在的攻击，鲁棒性，然后根据特定的评估指标，对这些方法根据业务场景、处理的数据类型不同进行分类，然后比较分析，得出这些方法的实用性、优点以及受限的地方，进而提出将这些方法进行整合，优化传统方法的可能性以及这个过程中可能会遇到的问题、需要重点关注的方面，最后指出基于机器学习的信任评估方法目前仍存在的一些问题以及特别深入研究的一些方向，通过阅读前辈的文章，初步了解了机器学习、信任评估方面的一些基础知识，在广度上对基于机器学习的信任评估方法有了更多的收获，了解了综述文章对于一个领域问题的分析思路和提问的思维，但由于第一次读论文，有些囫囵吞枣的感觉，希望以后在阅读文献的过程中可以提高自己的阅读能力，把握文献的重点，学习英文文献的一些写作格式，加油！

 

 

研究目标:

本文旨在对以往一些基于机器学习的信任评估方法做系统彻底的概述，从而提出一些开放性的问题以及未来值得投入的研究方向。

 

 

研究背景/问题陈述:

为了解决传统的信任评估方法存在的一些诸如评估数据的缺失、对数据处理的需求等问题，研究者采用基于机器学习的方法来进行信任评估，以往的学者提出了一些基于机器学习的信任评估的方法，如受监督的学习、半监督的学习、强监督的学习，这些方法分别在不同的方面各有优劣，为了对这些方法进行系统性的分析，评估，从而提出更有价值的问题和研究方向，我们需对这些基于机器学习的信任评估方法进行深入的论述。

 

方法:

1.根据信任评估中可能存在的一些问题，从不同角度指出使用机器学习进行信任评估的必要性。

2.对机器学习所用到的算法做出比较，对比这些算法的优点和受限处。

3.指出用于评价信任评估方法的一些标准，如效率、数据处理、鲁棒性等。

4.根据提出的反映信任评估过程和结果的一些特征，分别对基于机器学习的信任评估方法从不同方面进行横向比较。

5.根据应用领域的不同，对不同领域的信任评估方法，按使用处理数据类型的不同，对其使用的模型进行分析，指出其优缺点。

 

 

结论:

基于本篇综述，分析提出还有一些关键性的问题需要解决，如一般化的基于机器学习、用于信任评估的方法，在使用机器学习来进行评估时对特征、算法以及算法的整合等，指出了一些有意义的特别研究方向，因此，对于使用机器学习来进行信任评估这一研究专题仍处于不完备的阶段，仍需进行更深入的研究。