Game Theoretical Incentive for USV Fleet-Assisted Data Sharing in Maritime Communication 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
With the rapid proliferations of maritime applications, the data demands of unmanned surface vehicles (USVs) keep ever-increasing. However, due to limitations of resources (e.g., energy, storage, bandwidth, etc.) and high costs on data sharing, USVs do not provide data proactively, which hinders the efficiency of data sharing. To tackle these problems, in this paper, we propose a game based USV fleet-assisted data sharing scheme to enable data exchange among USVs. Specially, we firstly propose a data publish/subscribe framework, where USVs are categorized into publishers and subscribers, and a USV fleet is motivated as a broker to relay data from publishers to subscribers. Then, the optimal waypoints for data publishing are recommended to the USV fleet to improve its probability of acquiring data. Furthermore, a Vickrey-Clarke-Groves (VCG) reverse auction game is utilized for data publishing, which ensures that the data publishers bid for USV fleets with own truthful costs, so as to avoid false bidding of data publishers. A double auction game is then employed for data subscription, which balances the benefits between the USV fleet and the data subscriber. An incentive-based data sharing algorithm is finally designed to obtain the optimal bidding strategies for all game parties including data publishers, USV fleets and data subscribers. Extensive simulation results demonstrate that the proposed scheme efficiently increases the utilities of all participants, as compared to conventional schemes.
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 | 0,000 | 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