激励参与式感知中的公平性与社会福利
计算机科学与博弈论
2014-11-24 v1 计算机与社会
人机交互
多智能体系统
摘要
参与式感知近来已成为一种有前景的大规模数据收集方法。然而，如果没有激励用户定期贡献高质量数据的措施，这种方法从长远来看不太可能可行。在本文中，我们将激励与用户消费有吸引力服务的需求联系起来，作为对传统基于积分或信誉的方法的补充。基于这种需求驱动的原则，我们设计了两种激励方案：需求公平激励 (IDF) 和迭代注水 (ITF)，分别用于最大化公平性和社会福利。我们的研究表明，IDF 方案是最大最小公平的，并且在 Jain 公平性指数上得分接近 1，而 ITF 方案则最大化社会福利，并达到一个同时也是帕累托最优和全局最优的唯一纳什均衡。我们采用博弈论方法推导了最优服务需求。此外，为解决实际考量，我们使用随机规划技术来处理现实生活中经常遇到的不确定性。
引用
@article{arxiv.1411.5795,
title = {Fairness and Social Welfare in Incentivizing Participatory Sensing},
author = {Tie Luo and Chen-Khong Tham},
journal= {arXiv preprint arXiv:1411.5795},
year = {2014}
}
备注
Game theory; demand-supply model; network economics; stochastic programming; chance-constrained programming