面向多属性社会感知中质量—成本感知任务分配的在线强化学习方法
机器学习
2019-09-13 v1 机器学习
摘要
社会感知已成为一种新兴感知范式，其中人类（或代表其的设备）集体报告关于物理世界的测量值。本文关注多属性社会感知应用中的质量—成本感知任务分配问题。目标是确定一种任务分配策略（即决定何时何地收集感知数据），以实现数据质量与感知成本之间的优化权衡。尽管近期在解决类似问题方面已取得进展，但三个重要挑战尚未得到很好解决：（i）“在线任务分配”：任务分配方案需对社感知测中被测变量的潜在巨大动态性作出快速响应；（ii）“多属性约束优化”：在给定被测变量多属性间依赖与约束下最小化整体感知误差是一个非平凡问题；（iii）“非均匀任务分配成本”：社会感知中的任务分配成本常呈非均匀分布，给优化任务分配问题增添了额外复杂度。本文利用一种原则性在线强化学习框架，开发了质量—成本感知在线任务分配（QCO-TA）方案以应对上述挑战。我们通过一个真实世界社会感知应用评估 QCO-TA 方案，结果表明我们的方案在感知精度与成本方面均显著优于最先进的基线方法。
引用
@article{arxiv.1909.05388,
title = {An Online Reinforcement Learning Approach to Quality-Cost-Aware Task Allocation for Multi-Attribute Social Sensing},
author = {Yang Zhang and Daniel Zhang and Nathan Vance and Dong Wang},
journal= {arXiv preprint arXiv:1909.05388},
year = {2019}
}
备注
The paper has been accepted to Elsevier Pervasive and Mobile Computing (PMC) in September 2019