预算受限众感中激励海量未知工人：离线与在线视角
人工智能
2024-01-04 v2
摘要
如何利用有限预算激励策略性工人是众感系统中一个非常基础的问题；然而，由于工人的传感器设备与行为具有多样性，其感知能力未必能作为先验知识被获知，因此难以恰当选择和支付未知工人。尽管现有方案可通过标准组合多臂老虎机（Combinatorial Multi-Armed Bandit, CMAB）框架在探索与利用之间权衡来解决工人的不确定性，但我们可能没有充足预算在个体工人间进行这种权衡，尤其在工人数量巨大而预算有限时。此外，标准CMAB通常假设工人始终留在系统中，而工人可能随时间加入或离开系统，导致针对某个体工人所学到的知识在其离开后无法应用。为解决上述挑战性问题，本文首先提出一种离线的基于上下文感知CMAB的激励（CACI）机制。我们创新性地将在精心划分的上下文空间而非个体工人上进行探索-利用权衡，以在极有限预算下有效激励海量未知工人。我们还将上述基本思想扩展到在线场景，其中未知工人可动态加入或离开系统，并提出了CACI机制的在线版本。我们进行了严格的理论分析，分别揭示了CACI机制的遗憾上界并证明了其真实性与个体理性。我们还在合成与真实数据集上进行了大量实验以验证机制的有效性。
引用
@article{arxiv.2309.12113,
title = {Incentivizing Massive Unknown Workers for Budget-Limited Crowdsensing: From Off-Line and On-Line Perspectives},
author = {Feng Li and Yuqi Chai and Huan Yang and Pengfei Hu and Lingjie Duan},
journal= {arXiv preprint arXiv:2309.12113},
year = {2024}
}