REFORM:基于声誉的众包公平与时间奖励框架
计算机科学与博弈论
2021-12-23 v2
摘要
众包是一种通过雇佣分布式人群来收集数据的有效方法。研究者引入适当的奖励机制以激励智能体准确报告。具体而言,本文关注基于同伴的机制(PBMs)。我们观察到,在使用 PBMs 时,众包系统可能并不公平,即尽管智能体付出努力并如实报告,仍可能得不到应得的奖励。对智能体的不公平奖励可能打击其参与积极性。本文旨在构建一个通用框架,在时态设定(即偏好早期报告的设定)下保证 PBMs 的公平性。为此,我们引入 PBMs 的两种通用公平性概念,即 gamma-公平性与定性公平性。为满足这些概念,我们的框架为可信智能体提供额外的配对机会。我们引入时态声誉模型(TERM)来量化智能体跨任务的信任度。以 TERM 为核心组成部分,我们提出迭代框架 REFORM,其可采用任何现有 PBM 的奖励方案。我们通过将 REFORM 与 RPTSC 的奖励方案结合部署来展示其意义。具体地,我们证明带 RPTSC 的 REFORM 显著改善了公平性,同时激励如实且早期的报告。我们进行了合成仿真,表明我们的框架相比 RPTSC 提供了改进的公平性。
引用
@article{arxiv.2112.10659,
title = {REFORM: Reputation Based Fair and Temporal Reward Framework for Crowdsourcing},
author = {Samhita Kanaparthy and Sankarshan Damle and Sujit Gujar},
journal= {arXiv preprint arXiv:2112.10659},
year = {2021}
}