Trustworthiness and Comfort-Aware Participant Recruitment for Mobile Crowd-Sensing in Smart Environments
Notice bibliographique
Résumé
Mobile crowd-sensing (MCS) has gained significant momentum in recent years for sensory data acquisition through non-dedicated sensors. Even though most of the participants are assumed to be willing to participate in the sensing campaigns, some smartphone users may be reluctant to grant access to particular sensors in their devices. Besides this, the presence of adversaries in the participant pool makes the participant selection problem further challenging. With these in mind, we introduce Reputation and Comfort Level Aware Participant Selection (RACLAPS)which allows participants to modify their available set of sensors that can be accessed by central platform/task publisher i.e. participants can turn-off sensors according to their comfort. To demonstrate the effect of RA-CLAPS, we utilize Selective and Reputation-aware Recruitment (SRR) in which participants are selective in choosing their task to sense solely to improve income. To enrich the discussion, Non-Selective and Reputation-aware Recruitment (NSR) is also considered in which participants are given no choice regarding selectiveness, sensor configuration. Simulation results show that RA-CLAPS improves average user utility by 7.6% compared to its predecessor, SRR. We also mention that average discomfort per participant is reduced by 6.4% under RA-CLAPS when compared to non-selective and selective recruitment approaches.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».