我们可以在没有真实标签的情况下提升移动众包传感数据质量吗？
机器学习
2025-01-09 v2 多智能体系统
摘要
移动众包 (MCS) 已成为多个领域的热门趋势。然而，确保来自移动用户 (MUs) 提交的感知数据的质量仍是一个复杂且具挑战性的问题。为此，亟需一种先进的方法来检测低质量感知数据并识别可能干扰MCS系统正常运作的恶意MUs。因此，本文提出一种基于预测和声誉的真实发现框架 (PRBTD)，可分离感知任务中的低质量数据与高质量数据。首先，我们应用一种以相关性为导向的时空 Transformer 网络，从历史感知数据中学习并预测MUs提交数据的真实标签。然而，由于历史数据训练中的噪声以及感知数据中的突发性值，预测结果可能不准确。为此，我们使用从预测结果中学习到的感知数据之间的关联性，这些关联性稳定且不受不准确预测影响，用于评估数据质量。最后，我们设计了一种基于声誉的真实发现 (TD) 模块，用于识别带有其关联性的低质量数据。给定MUs提交的感知数据后，PRBTD可消除噪声较重的数据，并以高准确率识别恶意MUs。大量实验结果表明，PRBTD方法在识别准确率和数据质量提升方面优于现有方法。
关键词
引用
@article{arxiv.2405.18725,
title = {Can We Enhance the Quality of Mobile Crowdsensing Data Without Ground Truth?},
author = {Jiajie Li and Bo Gu and Shimin Gong and Zhou Su and Mohsen Guizani},
journal= {arXiv preprint arXiv:2405.18725},
year = {2025}
}