Détection des agents malveillants dans l'apprentissage social

L'apprentissage social est un cadre non-bayésien pour les tests d'hypothèses distribués visant à apprendre le véritable état de l'environnement. Traditionnellement, on suppose que les agents reçoivent des observations conditionnées au même état véritable, bien qu'il soit également possible d'examiner le cas de modèles hétérogènes à travers le graphe. Un cas spécial important est lorsque l'hétérogénéité est causée par la présence d'agents malveillants dont le but est de déplacer les agents vers une mauvaise hypothèse. Dans ce travail, nous proposons un algorithme qui permet de découvrir le véritable état de chaque agent individuel basé sur la séquence de leurs croyances. Ce faisant, la méthodologie est également capable de localiser un comportement malveillant.