An Adaptive Data Uploading Scheme for Mobile Crowdsensing via Deep Reinforcement Learning With Graph Neural Network
Notice bibliographique
Résumé
Mobile crowdsensing (MCS), as an alternative to traditional sensor networks, has attracted much research attention because of its flexibility and low deployment fee. Compared with the traditional sensor networks, MCS exploits existing network infrastructures (such as edge servers and user devices) to intelligently cooperate with smart device owners. In this way, MCS combines machine intelligence and human intelligence to perform various sensing tasks more efficiently with a significantly lower cost. A challenging problem in MCS is data uploading, where mobile phone users as workers need to upload collected data to an MCS platform. In Xu and Song (2022), we proposed a heuristic approach to make a data transmission plan between mobile phone users and edge servers, which can help an MCS system leverage network resources in edge servers to facilitate data uploading efficiently. In this article, we reinvestigate the data uploading problem in Xu and Song (2022), analyze the heuristic approach’s drawbacks, and propose a deep reinforcement learning (DRL)-based method to complement these drawbacks. Specifically, we show that the heuristic approach may not sufficiently address heterogeneous cases, although it can achieve high efficiency in the homogeneous scenarios. Furthermore, we find that the heuristic method is not a one-fit-for-all method and cannot adjust itself when facing new scenarios. Instead of making a new fixed heuristic to deal with these new scenarios, we design an adaptive method based on DRL and graph neural networks (GNNs) to learn heuristics, enabling the new method to handle all possible situations in theory. Specifically, we train a DRL agent with a group of data uploading instances and then generalize the agent to other instances. Extensive numerical results show that the DRL-based approach achieves a high approximation ratio and performs stably in all sorts of experiment settings.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».