A Multi-Leader Multi-Follower Game-Based Analysis for Incentive Mechanisms in Socially-Aware Mobile Crowdsensing
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
The mobile crowdsensing paradigm facilitates a broad range of emerging sensing applications by leveraging ubiquitous mobile users to cooperatively perform certain sensing tasks with their smart devices. As this paradigm involves data collection from users, the issue of designing rewards to incentivize users is fundamentally important to ensure participation in crowdsensing. In this paper, we revisit this issue in the context of socially-aware crowdsensing which integrates crowdsensing into social networks. For example, in healthcare-based crowdsensing services, the fun of tracking daily nutrition information for a certain user can be promoted by comparing her nutritional information with that contributed and shared by her socially-connected friends. To be more general and practical, we study the incentive mechanisms in presence of multiple crowdsensing service providers and multiple users. Understanding the behaviors of users and service providers in socially-aware crowdsensing is of paramount importance for incentive mechanisms. With this focus, we propose a multi-leader and multi-follower Stackelberg game approach to model the strategic interactions among service providers and users, where the social influence of users and the strategic interconnections of service providers are jointly and formally integrated into the game modeling. Through backward induction methods, we theoretically prove the existence and uniqueness of the Stackelberg equilibrium. We conduct extensive simulations to investigate game equilibrium properties, and the real-world dataset is applied to evaluate and demonstrate the performance effectiveness of the proposed game model.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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