Multi-Leader Multi-Follower Game-based Incentive Scheme for Socially-Aware Mobile Crowdsensing
Notice bibliographique
Résumé
As the paradigm of crowdsensing involves the data collection from users, the issue of designing reward to incentivize the users is fundamentally important to be addressed, thereby effectively enhancing the participation. In this paper, we revisit this issue in the context of socially-aware crowdsensing which integrates crowdsensing into social networks. For example, in crowdsensing-based healthcare services, the accuracy of diet recommendation for a certain user can be promoted by exploiting the nutritional information contributed and shared by the socially-connected friends of him/her taking similar types of food. To be more general and practical, we study the incentive schemes 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 schemes. Considering this, 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 validate the existence and uniqueness of the Stackelberg equilibrium. Simulations are conducted to evaluate game equilibrium properties, and the results are presented to assess 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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 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 ».