面向移动众包性能最大化的上下文感知分层在线学习
机器学习
2018-11-09 v2 人机交互
社会与信息网络
摘要
在移动众包 (MCS) 中，移动用户完成外包的人类智能任务。MCS 需要合适的任务分配策略，因为不同工人在接受率和质量方面的表现可能不同。任务分配具有挑战性，因为工人的表现 依赖于工人的当前个人上下文和任务上下文， 不是预先知道的，而必须随时间学习。此外，学习特定于上下文的工人表现需要访问上下文信息，而由于通信开销或隐私问题，这些信息可能无法在中央实体处获取。另外，评估工人表现可能需要昂贵的质量评估。在本文中，我们提出了一种上下文感知的分层在线学习算法，以解决 MCS 中的性能最大化问题。在我们的算法中，工人移动设备中的本地控制器 (LC) 定期观察工人的上下文、其接受或拒绝任务的决定以及完成任务的质量。基于这些观察，LC 定期估计工人特定于上下文的表现。然后，移动众包平台 (MCSP) 根据从 LC 接收的表现估计来选择工人。这种分层方法使 LC 能够学习特定于上下文的工人表现，并使 MCSP 能够选择合适的工人。此外，我们的算法在本地保留工人上下文，并保持所需的质量评估数量较少。我们证明了我们的算法收敛于最优任务分配策略。此外，在基于合成数据和真实数据的实验中，该算法优于更简单的任务分配策略。
引用
@article{arxiv.1705.03822,
title = {Context-Aware Hierarchical Online Learning for Performance Maximization in Mobile Crowdsourcing},
author = {Sabrina Klos and Cem Tekin and Mihaela van der Schaar and Anja Klein},
journal= {arXiv preprint arXiv:1705.03822},
year = {2018}
}
备注
18 pages, 10 figures