MWRS: A MAB-Based Worker Recruitment Scheme With Tripartite Stackelberg Game for Reliable Mobile Crowdsensing
Notice bibliographique
Résumé
Mobile Crowdsensing (MCS) has emerged as a compelling paradigm for data sensing and collection, leveraging the widespread adoption of mobile devices and the active participation of numerous users. Despite its potential, MCS faces critical challenges, particularly in recruiting reliable workers and acquiring high-quality sensing data. Most existing approaches assume prior information on worker quality and are vulnerable to collusion attacks, especially having not comprehensively considered workers’ reliability and stability. To address these problems, we propose a Multi-Armed Bandit (MAB) based Worker Recruitment Scheme (MWRS) integrated with the Tripartite Stackelberg Game (TSG) for MCS. Specifically, a trust evaluation and truth inference mechanism is introduced to assess the trustworthiness of workers through active truth detection. To enhance recruitment quality, we employ a trust-aware worker selection mechanism that utilizes a modified Upper Confidence Bound (UCB) algorithm, achieving an optimal balance between exploration and exploitation. Furthermore, the interactions among participants are modeled using a TSG framework, which formulates their respective payoffs to determine optimal decision-making strategies, thus achieving mutually beneficial outcomes. Extensive evaluations on real-world datasets demonstrate that our proposed scheme improves total quality by up to 30.8% and reduces regret by up to 80.3% compared to existing methods.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».