On Coalitional and Non-Coalitional Games in the Design of User Incentives for Dependable Mobile Crowdsensing Services
Notice bibliographique
Résumé
In the Era of massive connectivity, crowdsensed data services are becoming attractive so to acquire sensory data from smart mobile devices that are recruited for cooperative collection of sensed data through embedded sensors. Despite its benefits to offer sensing as a service by taking advantage of the non-dedicated nature MCS systems, it remains certain challenges such as user privacy and data trustworthiness, which could affect the intention of an individual to participate in the sensing phenomena. Furthermore, in the presence of physical tampering or falsification of sensor readings, trustworthiness of crowd-sensed data arises as a big concern. Game theoretic solutions are popular to address the utility maximization needs of participants, and the trustworthiness objectives of the MCS platforms. We revisit coalitional game formation and subgame perfect equilibrium-based concepts to motivate more users for truthful participation, and present a comparative study of these game models from the standpoint of platform utility, user utility and data trustworthiness. Our case studies show that the subgame perfect equilibrium-based model can provide higher user utility and up to 30% higher platform utility in comparison to the coalitional recruitment model in the presence of a large adversary population in an MCS campaign. Furthermore, regardless of the adversary population, repeated subgame-based model results in lower disinformation probability in the system when compared to coalitional game-based user incentivization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».