A Trust-Driven Contract Incentive Scheme for Mobile Crowd-Sensing Networks
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
By leveraging the power of crowd, the prevalence of mobile devices in mobile crowd-sensing (MCS) networks helps and provides a wide range of sensing services through collecting and sharing sensing data. However, due to the diverse behaviours of mobile users, unreliable or malicious users and platforms could provide untrusted data, which affects the quality of sensing service. Besides, mobile users are reluctant to participate in sensing tasks without sufficient incentives. It is desirable to design a trust and incentive scheme to improve the service efficiency of MCS. In this paper, we propose a novel trust-driven contract incentive framework in MCS, which guarantees the service quality and stimulates mobile users to join sensing tasks. We first design a trust evaluation scheme between mobile users and sensing platforms based on the historical interactions to derive the reliability value of sensing platform. Then, the trust threshold is formulated to filter out malicious sensing platforms. By considering the privacy preferences of mobile users, we establish a contract incentive scheme to maximize the utility of both mobile users and sensing platforms. The design objective is to derive a set of optimal contracts under both discrete and continuous contract models. Meanwhile, the designed contracts guarantee the individual rationality (IR) and incentive compatibility (IC) properties. Finally, simulations are conducted to evaluate the effectiveness of the proposed trust-driven contract incentive scheme, and results demonstrate that the proposed scheme can jointly improve the quality of sensing service and maximize the utilities of mobile users and sensing platforms.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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