CAT: Kontextbewusste Vertrauensvorhersage in dynamischen heterogenen Netzwerken

Vertrauensvorhersage ist ein entscheidendes Werkzeug für Entscheidungen, Risikomanagement und die Sicherheit von Netzwerken. In den letzten Jahren haben Graph Neural Networks (GNNs) sich als vielversprechende Methode etabliert, weil sie komplexe Vertrauensbeziehungen in Netzwerken durch lernfähige Knotendarstellungen erfassen können.

Aktuelle GNN-basierte Modelle stoßen jedoch an Grenzen: Sie berücksichtigen kaum die zeitliche Dynamik von Vertrauen, ignorieren die heterogene Struktur realer Netzwerke und unterstützen keine kontextbezogene Analyse – ein wesentlicher Aspekt von Vertrauen. Diese Schwächen führen zu ungenauen Vorhersagen und begrenzen die Anwendbarkeit in praxisnahen Szenarien.

Um diese Lücken zu schließen, präsentiert die Arbeit das CAT-Modell – die erste kontextbewusste GNN-Lösung für Vertrauensvorhersage. CAT besteht aus vier Schichten: einer Graphaufbau-Schicht, einer Einbettungsschicht, einer heterogenen Aufmerksamkeits-Schicht und einer Vorhersageschicht. Durch die Verwendung kontinuierlicher Zeitdarstellungen und einer Zeitkodierungsfunktion kann CAT die zeitliche Entwicklung von Netzwerken exakt abbilden.

Zur Modellierung der Heterogenität nutzt CAT einen dualen Aufmerksamkeitsmechanismus, der die Bedeutung verschiedener Knotentypen und einzelner Knoten innerhalb dieser Typen identifiziert. Für die Kontextsensitivität werden neue Meta-Pfade eingeführt, die kontextuelle Merkmale extrahieren. Durch die Kombination von Kontext-Embeddings und einem kontextbewussten Aggregator liefert CAT präzise, kontextabhängige Vertrauensvorhersagen, die die Sicherheit und Entscheidungsfindung in dynamischen, heterogenen Netzwerken deutlich verbessern können.