Spatiotemporal Trust Evaluation for Collaborator Selection via Customized GNN-Mamba

📄 arXiv: 2605.07658v1 📥 PDF

作者: Botao Zhu, Xianbin Wang

分类: eess.SY

发布日期: 2026-05-08

备注: IEEE ICC 2026

💡 一句话要点

提出基于定制化GNN-Mamba的GM模型，实现协同任务中时空维度的信任评估与协作方选择

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 信任评估 图神经网络 Mamba架构 时空依赖建模 协作方选择 分布式系统

📋 核心要点

  1. 现有方法难以同时处理多维信任视角与设备间复杂的时空依赖关系，导致在动态协同场景下信任评估的准确性与稳定性不足。
  2. 提出GM模型，利用GNN提取空间依赖性，并结合Mamba架构捕捉信任的时序演变，同时融合任务特定的资源能力评估。
  3. 实验表明，该模型在信任评估的准确性与稳定性上显著优于现有基线方法，有效提升了复杂协同任务中的协作方选择质量。

📝 摘要（中文）

协同任务的成功完成依赖于对可信协作方的有效选择。为了准确评估潜在协作方的可信度，必须结合其历史协作经验与特定任务背景下的资源能力评估。然而，多种信任视角的共存以及设备间复杂的时空依赖性，使得准确的信任评估极具挑战。为此，本文提出了一种用于信任评估与协作方选择的定制化图神经网络（GNN）-Mamba（GM）模型。在该模型中，GNN模块通过利用从历史协作中提取的设备间空间依赖性进行空间信任融合，而基于Mamba的时序模型则捕捉设备信任的短期波动与长期演变。此外，模型还纳入了任务特定的资源信任，以反映设备在不同任务条件下的实际能力。实验结果表明，所提出的GM模型在信任评估的准确性和稳定性方面均优于基线方法。

🔬 方法详解

问题定义：论文旨在解决分布式协同系统中协作方选择的信任评估难题。现有方法往往忽略了设备间复杂的空间关联性，或无法有效建模信任随时间变化的长期依赖与短期波动，导致在多变任务环境下评估失效。

核心思路：采用“空间融合+时序建模”的双重策略。利用GNN处理设备间的拓扑结构以提取空间信任特征，并引入Mamba架构（状态空间模型）来高效处理长序列信任数据，从而实现对设备信任演变轨迹的精准刻画。

技术框架：模型架构包含三个核心模块：一是基于GNN的空间信任融合模块，用于聚合邻居节点的历史交互信息；二是基于Mamba的时序特征提取模块，负责建模信任的动态演化；三是任务感知资源评估模块，将特定任务需求与设备能力进行对齐。

关键创新：首次将Mamba架构引入信任评估领域，利用其线性复杂度和对长序列的建模能力，解决了传统RNN或Transformer在处理长时序信任数据时的计算瓶颈与遗忘问题。

关键设计：模型通过定制化的图结构构建设备交互图，并结合任务特征向量对时序输出进行加权修正，确保评估结果既符合历史信任趋势，又满足当前任务的资源约束。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，GM模型在多项信任评估指标上均表现出显著优势。相比于传统的GCN、LSTM及Transformer基线模型，GM在处理长序列信任数据时，不仅评估准确率更高，且在面对突发信任波动时表现出更强的鲁棒性与稳定性，验证了Mamba架构在时空信任建模中的有效性。

🎯 应用场景

该研究适用于边缘计算、物联网（IoT）协同、分布式多智能体系统及云边端协同任务调度。在这些场景中，系统需在资源受限且高度动态的环境下，从大量候选设备中筛选出最可靠的协作方，以保障任务的高效与安全执行，具有极高的实际应用价值。

📄 摘要（原文）

The successful completion of collaborative tasks relies on the effective selection of trustworthy collaborators. To accurately evaluate the trustworthiness of potential collaborators, it is necessary to combine insights from their past collaborations with assessments of their resource capabilities under specific task contexts. However, the coexistence of diverse trust perspectives, along with complex spatiotemporal dependencies among devices, makes accurate trust evaluation particularly challenging. To address these challenges, we propose a customized Graph Neural Network (GNN)-Mamba (GM) model for trust evaluation and collaborator selection. In this model, the GNN model performs spatial trust fusion by leveraging inter-device spatial dependencies extracted from historical collaborations, while the Mamba-based temporal model captures both short-term fluctuations and long-term evolution of device trust. In addition, task-specific resource trust is incorporated to reflect the practical capabilities of devices under varying task conditions. Experimental results demonstrate that the proposed GM model outperforms baseline approaches in terms of the accuracy and stability of trust evaluation.