Towards Integrated Spatial Crowdsourcing: Online Privacy-Preserving Selection
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
We study an intriguing and practical scenario of online Spatial Crowdsourcing (SC), in which workers have the flexibility to perform tasks using various methods, such as walking, driving, or utilizing remote aerial vehicles (RAVs). This results in workers having heterogeneous, arbitrary, and non-stationary utilities over time. We refer to this scenario as integrated SC. Unfortunately, existing studies are limited in addressing integrated SC settings due to two aspects: (1) these studies are based on the assumption that workers’ utilities are independently and identically distributed and follow a stationary distribution like Gaussian, which does not hold in integrated SC; (2) their approaches fail to provide personalized privacy preservation for different workers. Motivated by these limitations, we closely investigate the heterogeneous utility and personalized privacy requirement in integrated SC and propose an Online Personalized Privacy-preserving Selection framework (OPPS). In this framework, we present an online selection policy that balances the exploration-exploitation trade-off given heterogeneous utilities and develop a built-in privacy policy that ensures differential privacy guarantee. We then demonstrate that our framework effectively addresses the trade-off by deriving a sublinear, privacy-related upper bound on regret that scales as <inline-formula><tex-math notation="LaTeX">$O(\sqrt{T})$</tex-math></inline-formula>. Extensive numerical simulations based on real-world drone datasets are conducted to validate the effectiveness of our framework compared with state-of-the-art approaches.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,007 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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