스테레오트러스트 편견 기반 컴퓨테이셔널 신뢰 모델

초록

StereoTrust는 과거 행동 기록이 없는 낯선 상대에 대해, 유사한 특성을 가진 에이전트들의 경험을 바탕으로 형성된 ‘편견(스테레오타입)’을 이용해 신뢰를 추정하는 모델이다. 개인이 직접 구축한 스테레오타입을 집계해 신뢰 점수를 산출하며, 필요 시 기존 행동 이력을 보강적으로 활용한다. Epinions 데이터 실험에서 기존 모델보다 경쟁력 있는 성능을 보였다.

상세 분석

StereoTrust는 전통적인 신뢰 모델이 요구하는 풍부한 거래 이력 없이도 신뢰 추정을 가능하게 하는 혁신적 접근법이다. 핵심 아이디어는 인간이 낯선 사람을 판단할 때 사용하는 ‘스테레오타입’ 개념을 수학적으로 형식화하는 것이다. 구체적으로, 시스템은 에이전트의 속성(예: 지역, 연령, 제품 카테고리 등)을 특징 벡터로 표현하고, 동일하거나 유사한 속성을 가진 과거 거래에서 얻은 성공·실패 결과를 확률적 분포로 요약한다. 이러한 스테레오타입은 신뢰주체(Trustor)마다 독립적으로 구축되며, 따라서 개인화된 신뢰 판단이 가능하다.
스테레오타입 매칭 단계에서는 대상 에이전트(Trustee)의 프로파일과 가장 근접한 스테레오타입들을 선택하고, 각 스테레오타입이 제공하는 기대 성공률을 가중 평균한다. 가중치는 속성 유사도와 해당 스테레오타입의 샘플 크기에 기반해 동적으로 조정된다. 이 과정은 베이즈 업데이트와 유사한 형태로, 새로운 거래 결과가 관측될 경우 해당 스테레오타입의 파라미터를 즉시 갱신한다.
또한, StereoTrust는 ‘하이브리드 모드’를 제공한다. 충분한 거래 이력이 존재하는 경우, 전통적인 평점 기반 모델(예: EigenTrust, BRS)과 스테레오타입 기반 추정을 혼합해 최종 신뢰 점수를 도출한다. 실험에서는 하이브리드가 단일 모델보다 평균 오차가 12% 감소하는 효과를 보였다.
Epinions 데이터셋을 활용한 평가에서는 사용자별 스테레오타입 수가 5~10개일 때 최적 성능을 나타냈으며, 스테레오타입이 과도하게 세분화되면 과적합 위험이 증가한다는 점을 확인했다. 또한, 스테레오타입이 없는 신규 사용자에 대해서는 초기 신뢰값을 보수적으로 낮게 설정하고, 첫 거래 후 빠르게 스테레오타입을 생성하도록 설계해 ‘콜드 스타트’ 문제를 완화하였다.
이 모델은 신뢰 추정의 투명성을 높인다. 각 신뢰 점수는 어떤 스테레오타입이 기여했는지 명시적으로 보여주므로, 사용자는 판단 근거를 검증하고 필요 시 스테레오타입을 수정할 수 있다. 이는 기존 블랙박스형 신뢰 시스템이 갖는 신뢰성 문제를 크게 개선한다.