Online Incentive Mechanisms for Socially-Aware and Socially-Unaware Mobile Crowdsensing
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) has been a promising paradigm for gathering sensing data from surrounding environment by leveraging smart devices carried by mobile users and also their subjective initiatives. In this sensing paradigm, mobile users can make full use of such sensors-rich smart devices for task executions. Recently, social mobile crowdsensing (SMCS) has received a lot of attention and much work has been carried out. Many incentive mechanisms exploit the social relations among users/workers for improving the system performance. However, most existing work in this area focused on offline and socially-aware scenarios. In this paper, we study both online socially-aware and socially-unaware scenarios for maximizing the platform utility. We formulate the problem of worker selection for maximizing the platform utility and prove this problem is NP-hard. For the socially-aware scenario, we propose an incentive mechanism (called SA-WGRA), which adopts sociality and capability based clustering algorithm for Worker Group formation and uses Reverse Auction for worker selection. For the socially-unaware scenario, we propose an incentive mechanism (called SUA-CGRA), which adopts Coalitional Game combined with Reversed Auction for worker selection. We prove that both mechanisms achieve computational efficiency, individual rationality, and platform rationality. Moreover, for SUA-CGRA, we prove that its formed coalitions satisfy coalition rationality, and further each of its formed coalitions is convex and hence the Shapley value is in the core solutions for profit distribution in each formed coalition. Simulations results show that both SA-WGRA and SUA-CGRA can effectively improve the platform utility.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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