Trust constitutes a fundamental mechanism for decision making in open and dynamic Multi-Agent Systems, where autonomous agents must identify reliable partners under conditions of uncertainty, incomplete information, and continuously changing environments. Although computational trust and reputation models have been extensively studied and successfully applied in numerous domains, important challenges remain unresolved, including the cold-start problem, agent mobility, behavioral volatility, communication overhead, vulnerability to disinformation attacks, and privacy concerns, and resource constraints in terms of computational, communication, and decision-making costs.

 This dissertation investigates alternative approaches to trust management in dynamic Multi-Agent Systems and introduces a trustee-centric perspective on computational trust. Inspired by the biological mechanisms of synaptic plasticity and neural assembly formation, a novel trust model, named Create Assemblies (CA), is proposed. Unlike conventional trust-management approaches, where trustors evaluate and select trustees, the proposed model enables trustees to actively participate in the trust-formation process by assessing their own suitability for performing requested tasks.

The proposed approach is evaluated through a series of simulation experiments and compared against FIRE, a well-known trust and reputation model for open Multi-Agent Systems. The results demonstrate that the trustee-centric approach exhibits distinct advantages under specific environmental conditions, particularly in scenarios characterized by changes in trustor populations, while conventional trustor-centric approaches remain advantageous in other situations. These findings indicate that no single trust-management mechanism consistently outperforms all alternatives across all operating conditions.

To address this limitation, the dissertation further investigates adaptive trust management. First, a self-assessment mechanism is incorporated into the CA model, enabling trustees to detect changes in their own performance and adjust their behavior accordingly. Second, the problem of trust model selection is formulated as a reinforcement learning task. A Deep Q-Learning-based adaptable trustor is developed, capable of dynamically selecting between alternative trust mechanisms according to observed environmental conditions. Experimental results demonstrate that adaptive trust model selection can achieve robust performance across a wide range of dynamic environments and often achieves or exceeds the performance of the best individual trust model.

Beyond performance evaluation, the dissertation examines the broader properties of the proposed trustee-centric paradigm, including privacy preservation, resistance to reputation manipulation attacks, communication efficiency, explainability, and scalability. Furthermore, the applicability of the approach beyond traditional trust-management problems is explored through the development of a simulation framework for emergency department operations, where trust-informed self-assessment and task allocation mechanisms are employed as decision-support tools.

The findings of this dissertation suggest that trust management should not be viewed as a competition between alternative trust models seeking a universally superior solution. Instead, different trust mechanisms exhibit complementary strengths under different environmental conditions. The proposed trustee-centric approach provides a complementary perspective to conventional trustor-centric models, while reinforcement learning offers a mechanism for dynamically selecting the most appropriate trust strategy according to prevailing circumstances. Together, these findings contribute towards the development of adaptive, robust, and intelligent trust-management frameworks capable of operating effectively in complex, open, and continuously evolving environments under resource-constrained conditions where decision quality must be balanced against computational and communication cost.

Η εμπιστοσύνη αποτελεί θεμελιώδη μηχανισμό λήψης αποφάσεων σε ανοικτά και δυναμικά πολυπρακτορικά συστήματα, όπου αυτόνομοι πράκτορες καλούνται να εντοπίσουν αξιόπιστους συνεργάτες υπό συνθήκες αβεβαιότητας, ελλιπούς πληροφόρησης και συνεχώς μεταβαλλόμενων περιβαλλόντων. Παρά τη σημαντική πρόοδο που έχει σημειωθεί στον τομέα των υπολογιστικών μοντέλων εμπιστοσύνης και φήμης, εξακολουθούν να υφίστανται σημαντικές προκλήσεις όπως το πρόβλημα της ψυχρής εκκίνησης (cold-start problem), η κινητικότητα των πρακτόρων, η μεταβλητότητα της συμπεριφοράς τους, το επικοινωνιακό και υπολογιστικό κόστος, οι επιθέσεις παραπληροφόρησης και οι ανησυχίες που σχετίζονται με την προστασία της ιδιωτικότητας.

Η παρούσα διατριβή διερευνά εναλλακτικές προσεγγίσεις στη διαχείριση της εμπιστοσύνης σε δυναμικά πολυπρακτορικά συστήματα και εισάγει μια νέα οπτική γωνία, προσανατολισμένη στον trustee. Εμπνευσμένο από τους βιολογικούς μηχανισμούς της συναπτικής πλαστικότητας και του σχηματισμού συναθροίσεων νευρικών κυττάρων, προτείνεται ένα νέο υπολογιστικό μοντέλο εμπιστοσύνης με την ονομασία Create Assemblies (CA). Σε αντίθεση με τα συμβατικά μοντέλα, όπου ο trustor αξιολογεί και επιλέγει τον trustee, το προτεινόμενο μοντέλο επιτρέπει στους trustees να συμμετέχουν ενεργά στη διαδικασία σχηματισμού εμπιστοσύνης, αξιολογώντας οι ίδιοι την καταλληλότητά τους για την εκτέλεση μιας ζητούμενης εργασίας.

Η προτεινόμενη προσέγγιση αξιολογείται μέσω εκτεταμένων πειραματικών προσομοιώσεων και συγκρίνεται με το FIRE, ένα καθιερωμένο μοντέλο εμπιστοσύνης και φήμης για ανοικτά πολυπρακτορικά συστήματα. Τα αποτελέσματα δείχνουν ότι η trustee-centric προσέγγιση παρουσιάζει σημαντικά πλεονεκτήματα σε συγκεκριμένες περιβαλλοντικές συνθήκες, ιδιαίτερα όταν μεταβάλλεται ο πληθυσμός των trustors, ενώ οι συμβατικές trustor-centric προσεγγίσεις παραμένουν πιο αποτελεσματικές σε άλλες περιπτώσεις. Τα ευρήματα αυτά καταδεικνύουν ότι δεν υπάρχει ένα μοναδικό μοντέλο εμπιστοσύνης που να υπερέχει συστηματικά σε όλα τα περιβάλλοντα λειτουργίας. Επιπλέον, το πρόβλημα εξετάζεται υπό συνθήκες περιορισμένων πόρων, όπου η λήψη αποφάσεων πραγματοποιείται με περιορισμένη διαθεσιμότητα υπολογιστικών, επικοινωνιακών και επιχειρησιακών πόρων.

Στη συνέχεια, η διατριβή εξετάζει μηχανισμούς προσαρμοστικής διαχείρισης της εμπιστοσύνης. Αρχικά, ενσωματώνεται στο μοντέλο CA ένας μηχανισμός αυτοαξιολόγησης, ο οποίος επιτρέπει στους trustees να ανιχνεύουν μεταβολές στην απόδοσή τους και να προσαρμόζουν ανάλογα τη συμπεριφορά τους. Επιπλέον, το πρόβλημα της επιλογής μοντέλου εμπιστοσύνης διατυπώνεται ως πρόβλημα ενισχυτικής μάθησης. Για το σκοπό αυτό αναπτύσσεται ένας προσαρμοστικός trustor βασισμένος σε Deep Q-Learning, ο οποίος είναι σε θέση να επιλέγει δυναμικά μεταξύ διαφορετικών μηχανισμών εμπιστοσύνης ανάλογα με τις συνθήκες του περιβάλλοντος. Τα πειραματικά αποτελέσματα δείχνουν ότι η προσαρμοστική επιλογή μοντέλου εμπιστοσύνης επιτυγχάνει σταθερά υψηλή απόδοση σε ένα ευρύ φάσμα δυναμικών περιβαλλόντων και συχνά προσεγγίζει ή υπερβαίνει την απόδοση του καλύτερου επιμέρους μοντέλου.

Πέρα από την αξιολόγηση της απόδοσης, η διατριβή εξετάζει ευρύτερες ιδιότητες του προτεινόμενου trustee-centric παραδείγματος, όπως η προστασία της ιδιωτικότητας, η ανθεκτικότητα σε επιθέσεις χειραγώγησης φήμης, η αποδοτικότητα επικοινωνίας, η επεξηγησιμότητα και η δυνατότητα για κλιμάκωση. Τέλος, διερευνάται η εφαρμογή της προσέγγισης πέρα από τα παραδοσιακά προβλήματα διαχείρισης εμπιστοσύνης, μέσω της ανάπτυξης ενός πλαισίου προσομοίωσης για τη λειτουργία τμημάτων επειγόντων περιστατικών, όπου μηχανισμοί αυτοαξιολόγησης και ανάθεσης εργασιών αξιοποιούνται ως εργαλεία υποστήριξης αποφάσεων.

Τα αποτελέσματα της διατριβής υποδεικνύουν ότι η διαχείριση της εμπιστοσύνης δεν θα πρέπει να αντιμετωπίζεται ως αναζήτηση ενός καθολικά βέλτιστου μοντέλου. Αντίθετα, διαφορετικοί μηχανισμοί εμπιστοσύνης εμφανίζουν διαφορετικά πλεονεκτήματα ανάλογα με τις συνθήκες του περιβάλλοντος. Η trustee-centric προσέγγιση λειτουργεί συμπληρωματικά προς τις συμβατικές trustor-centric προσεγγίσεις, ενώ η ενισχυτική μάθηση παρέχει ένα αποτελεσματικό μηχανισμό δυναμικής επιλογής της καταλληλότερης στρατηγικής εμπιστοσύνης. Συνολικά, η διατριβή συμβάλλει στην ανάπτυξη προσαρμοστικών, ανθεκτικών και ευφυών πλαισίων διαχείρισης εμπιστοσύνης για σύνθετα και συνεχώς εξελισσόμενα υπολογιστικά περιβάλλοντα.