Novel Distribution-Aware and Learning-Based Dynamic Scheme for Efficient User Incentivization in Edge Sensing Systems
Notice bibliographique
Résumé
Edge sensing (ES) systems employ users’ owned smart devices with built-in sensors to gather data from users’ surrounding environments and use their processors to carry out edge computing tasks. Therefore, ES is emerging as a potential solution for remote sensing challenges. Additionally, ES systems are recognized for their favorable characteristics, including efficient time and cost management, scalability, and the ability to gather real-time data. To improve the performance of ES systems, enormous efforts have been made to enhance the quality of data (QoD) and the systems’ spatiotemporal coverage. Moreover, the research community has focused on developing better incentive schemes, as user incentivization is essential for enhancing system performance. In this study, we assess the impact of users’ mobility and availability on the spatiotemporal coverage and QoD of ES systems, taking into account the heterogeneity of users. We propose a distribution-aware and learning-based dynamic incentive scheme. Specifically, we consider the randomness of users’ mobility and velocity using a 2-dimensional random waypoint (RWP) model and support the learning-based incentive scheme with a long short-term memory (LSTM) model. The LSTM model utilizes the users’ historical data to predict their availability to perform the sensing tasks. The learning-based incentive scheme is further used to enhance system performance and effectively manage the trade-off between quality and cost, by recruiting users based on the required quality and cost constraints, to meet the minimum quality requirement within a constrained incentivization budget.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».