論文の概要: Optimal Pricing of Internet of Things: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2002.05929v1
• Date: Fri, 14 Feb 2020 09:17:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 05:17:29.181900
• Title: Optimal Pricing of Internet of Things: A Machine Learning Approach
• Title（参考訳）: モノのインターネットの最適価格:機械学習によるアプローチ
• Authors: Mohammad Abu Alsheikh, Dinh Thai Hoang, Dusit Niyato, Derek Leong, Ping Wang, and Zhu Han
• Abstract要約: IoT(Internet of Things)は、センサーに埋め込まれたデバイスから大量のデータを生成する。 これまでの研究では、機械学習ベースのIoTサービスの最適な価格設定とバンドルの問題に対処していない。 当社は、データベンダがサービスプロバイダにデータを販売しているIoT市場モデルと、IoTサービスを顧客に提供しているサービスプロバイダで構成されています。
• 参考スコア（独自算出の注目度）: 105.4312167370975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of things (IoT) produces massive data from devices embedded with sensors. The IoT data allows creating profitable services using machine learning. However, previous research does not address the problem of optimal pricing and bundling of machine learning-based IoT services. In this paper, we define the data value and service quality from a machine learning perspective. We present an IoT market model which consists of data vendors selling data to service providers, and service providers offering IoT services to customers. Then, we introduce optimal pricing schemes for the standalone and bundled selling of IoT services. In standalone service sales, the service provider optimizes the size of bought data and service subscription fee to maximize its profit. For service bundles, the subscription fee and data sizes of the grouped IoT services are optimized to maximize the total profit of cooperative service providers. We show that bundling IoT services maximizes the profit of service providers compared to the standalone selling. For profit sharing of bundled services, we apply the concepts of core and Shapley solutions from cooperative game theory as efficient and fair allocations of payoffs among the cooperative service providers in the bundling coalition.
• Abstract（参考訳）: IoT(Internet of Things)は、センサーに埋め込まれたデバイスから大量のデータを生成する。 IoTデータにより、機械学習を使って収益性の高いサービスを作成することができる。 しかし、以前の研究では、機械学習ベースのIoTサービスの最適価格とバンドルの問題に対処していない。 本稿では,機械学習の観点からデータの価値とサービス品質を定義する。 当社は、データベンダがサービスプロバイダにデータを販売しているIoT市場モデルと、IoTサービスを顧客に提供しているサービスプロバイダで構成されています。 次に、IoTサービスのスタンドアロンおよびバンドル販売のための最適な価格体系を紹介します。 スタンドアロンサービス販売では、サービスプロバイダは購入したデータとサービスサブスクリプション料金のサイズを最適化し、利益を最大化する。 サービスバンドルでは、グループ化されたIoTサービスのサブスクリプション料金とデータサイズが最適化され、協調的なサービスプロバイダの総利益を最大化する。 IoTサービスのバンドルは、スタンドアロンの販売と比較して、サービスプロバイダの利益を最大化します。 バンドルサービスの利益分配のために,協調ゲーム理論のコアとシャプリーソリューションの概念を,バンドル連合における協調サービス提供者間での報酬の効率的かつ公平な配分として適用する。

関連論文リスト

• PDSR: A Privacy-Preserving Diversified Service Recommendation Method on Distributed Data [28.707528543904573]
  協調フィルタリングは、サービスレコメンデーションの最も一般的な方法の1つであり、既存の提案の多くは、レコメンデーションの正確性を改善することに焦点を当てている。 そこで我々は,新しい精度多様性尺度を提案し,精度多様性尺度を最大化して推奨する$K$サービスを選択するために2ドル近似を設計する。
  論文  参考訳（メタデータ） (2024-08-28T10:25:36Z)
• Machine Learning-Driven Open-Source Framework for Assessing QoE in Multimedia Networks [0.18749305679160366]
  サービスプロバイダは、ユーザの満足度を確保するために、サービスの品質とエクスペリエンスの質(QoE)の高水準を維持しなければなりません。 サービス品質に対するユーザの満足度を反映したQoEは、マルチメディアサービスにとって重要な指標です。 本稿では,マルチメディアネットワークにおけるQoEを客観的に評価するための機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-12T18:07:06Z)
• Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
  インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。 分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。 市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-29T14:58:28Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• KAIROS: Building Cost-Efficient Machine Learning Inference Systems with Heterogeneous Cloud Resources [10.462798429064277]
  KAIROSは、目標達成時のクエリスループットとコスト予算を最大化する、新しいランタイムフレームワークである。 産業レベルのディープラーニング(DL)モデルを用いて評価した結果,KAIROSは最適均一解のスループットを最大2倍に向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-12T03:06:51Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Mathematical simulation of package delivery optimization using a combination of carriers [0.0]
  著者らは、世界中のサプライヤーやローカルキャリアが配送する経路を組み合わせて、長距離配送のためのパッケージ配送のコスト最適化の問題を分析して提案した。 実験は、幅広いキャリアをデリバリーサービスに使用している米国企業のデータソースに基づいている。
  論文  参考訳（メタデータ） (2020-11-02T18:44:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。