Truthful Mechanisms for Message Dissemination via Device-to-Device Communications
Notice bibliographique
Résumé
Device-to-device (D2D) communications are not only featured by high spectral and energy efficiency, but also offer appealing benefits for applications, such as message dissemination, traffic offloading, and coverage expansion. In this paper, we consider a message dissemination scenario where a base station (BS) can direct message requests to be fulfilled by some source devices via D2D communications and thereby save the resource cost. Furthermore, a source device may be subject to a cost budget due to its limited resources. To minimize the overall cost or maximize the BS's cost saving from offloading, it is essential to properly assign the message request(s) for each source and decide the payment to incentivize participation. The request direction is an NP-hard problem, while the payment determination is also nontrivial. The payment should be sufficient to compensate for a source device's resource cost, and meanwhile, incentivize the source to truthfully declare its private cost and budget. Modeling the problem as a reverse auction, we develop both a deterministic mechanism and a randomized mechanism, which are truthful or truthful in expectation, respectively. Both mechanisms are individually rational and subject to a computational complexity lower than that of the well-known Vickrey-Clarke-Groves mechanism or its generalized version. While the deterministic mechanism performs well in an average sense, the randomized mechanism maintains an approximation guarantee for the worst case. Extensive numerical results demonstrate the effectiveness of the proposed mechanisms with various settings in the D2D content distribution scenario.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».