社区感知中隐私权衡的激励机制

社区感知融合了来自私有传感器群体的信息，为创建高效且具成本效益的感知应用提供了巨大机遇。然而，合理的隐私担忧往往限制了对此类数据流的访问。系统应如何评估和协商对私有信息的访问权，例如以金钱激励作为回报？系统应如何从具有隐私担忧的大量策略性用户群体中优化选择参与者，并对共享的信息进行补偿？在本文中，我们 addressing 这些问题，并提出了一种名为 SeqTGreedy 的新机制，用于社区感知中的预算化参与者招募。我们首先表明，社区感知中的隐私权衡可以转化为自适应次模优化问题。随后，我们设计了一种适用于自适应次模最大化的预算可行且激励相容（真实）的机制，该机制能为一大类感知应用实现近最优效用。该机制具有通用性且具有独立研究价值。我们在空气质量监测的案例研究中展示了我们方法的有效性，使用了从 Mechanical Turk 平台收集的数据。与最先进技术相比，我们的方法在达到期望效用水平的同时，成本降低了高达 30%。