Location-Dependent Task Allocation for Mobile Crowdsensing With Clustering Effect
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) offers a promising paradigm for large-scale sensing with the rapid growth of mobile smart devices. Compared with traditional sensing methods, MCS is more effective and efficient in energy and cost. Task allocation is a key problem in MCS, which has a significant impact on the performance. It is challenging to design a generic solution to the task allocation problem because MCS applications typically consider distinct targets under specific constraints. However, there are many common interests such as data quality, budget, and energy consumption. In this paper, we analyze and formulate the task allocation problem from two perspectives, respectively. First, we focus on data quality and propose a genetic algorithm (GA) to maximize data quality. Then, we take the profit of workers into account and propose a detective algorithm (DA) to improve the profit. In the GA-based solution, only the platform is able to decide the task assignment. However, in the DA-based solution, the workers are allowed to determine and submit their task sets to the platform, which just needs to make a selection from these task sets. In addition, we consider the clustering effect of tasks and the influence caused by different geographic distributions of tasks. To evaluate the performance of the proposed solutions, extensive simulations are conducted. The results demonstrate that our proposed solutions outperform the baseline algorithm and there is a tradeoff between the data quality and the profit of workers.
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle