Intelligent Task Allocation for Mobile Crowdsensing With Graph Attention Network and Deep Reinforcement Learning
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
Mobile crowdsensing (MCS) leverages crowd intelligence, i.e., smart devices and their owners, to collect data in an intelligent and cost-efficient manner. One of the fundamental research problems in MCS is task allocation, where a group of smart device owners are recruited as workers to reach and sense specified targets. In task allocation, task publishers submit their data collection tasks with the constraints and budgets, while workers report their estimated costs and possible constraints associated with data collection. The task allocation problem aims at allocating tasks to workers to maximize profit from the gap between the compensation to workers and the available budget while satisfying constraints from both sides. As task allocation problems are often NP-hard, heuristic schemes are widely used to obtain time-efficient results. However, the performance of heuristic methods may vary significantly in different environments, especially for NP-hard problems. To address task allocation problems in MCS, in this paper, we integrate a carefully designed graph attention network (GAT) into deep reinforcement learning (DRL) and develop a GAT-based DRL method (GDRL) to solve an NP-hard task allocation problem. Compared with manually crafted heuristics, our approach features the flexibility and self-adaptability of DRL, enabling the solver to interact with and adjust to new environments and generalize its experience to different situations. Extensive numerical results show that our proposed method can achieve significantly better results than the reference schemes in various 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 découle