論文の概要: A Stochastic Team Formation Approach for Collaborative Mobile Crowdsourcing

• arxiv url: http://arxiv.org/abs/2004.13881v1
• Date: Tue, 28 Apr 2020 22:44:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-21 21:33:29.039859
• Title: A Stochastic Team Formation Approach for Collaborative Mobile Crowdsourcing
• Title（参考訳）: 協調型モバイルクラウドソーシングのための確率的チーム形成アプローチ
• Authors: Aymen Hamrouni, Hakim Ghazzai, Turki Alelyani, and Yehia Massoud
• Abstract要約: 我々は,SN隣人に関する労働者の知識を活用するアルゴリズムを開発し,特定のリーダーに適切なチームを募集するよう依頼する。 提案アルゴリズムは最適な停止戦略から着想を得て,オッズアルゴリズムを用いて出力を算出する。 実験結果から, ベンチマーク指数最適解と比較して, 提案手法は時間を短縮し, 妥当な性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 1.4209473797379666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile Crowdsourcing (MCS) is the generalized act of outsourcing sensing tasks, traditionally performed by employees or contractors, to a large group of smart-phone users by means of an open call. With the increasing complexity of the crowdsourcing applications, requesters find it essential to harness the power of collaboration among the workers by forming teams of skilled workers satisfying their complex tasks' requirements. This type of MCS is called Collaborative MCS (CMCS). Previous CMCS approaches have mainly focused only on the aspect of team skills maximization. Other team formation studies on social networks (SNs) have only focused on social relationship maximization. In this paper, we present a hybrid approach where requesters are able to hire a team that, not only has the required expertise, but also is socially connected and can accomplish tasks collaboratively. Because team formation in CMCS is proven to be NP-hard, we develop a stochastic algorithm that exploit workers knowledge about their SN neighbors and asks a designated leader to recruit a suitable team. The proposed algorithm is inspired from the optimal stopping strategies and uses the odds-algorithm to compute its output. Experimental results show that, compared to the benchmark exponential optimal solution, the proposed approach reduces computation time and produces reasonable performance results.
• Abstract（参考訳）: モバイルクラウドソーシング(mobile crowdsourcing, mcs)は、従来は従業員や請負業者が行うセンシングタスクを、オープンコールによって多数のスマートフォンユーザに対してアウトソーシングするという、一般的な行為である。 クラウドソーシングアプリケーションの複雑さが増す中で、要求者は、複雑なタスクの要求を満たす熟練労働者のチームを編成することによって、労働者間のコラボレーションの力を活用することが不可欠である。 このタイプのmcsはcollaboration mcs (cmcs) と呼ばれる。 従来のCMCSアプローチは、主にチームのスキルの最大化という側面にのみ焦点を合わせていました。 ソーシャルネットワーク(SN)に関する他のチーム形成研究は、社会的関係の最大化にのみ焦点をあてている。 本稿では,要求者が必要な専門知識を持つだけでなく,社会的に結び付き,協調的にタスクを遂行できるチームを採用するためのハイブリッドアプローチを提案する。 CMCSにおけるチーム形成はNPハードであることが証明されているため、労働者のSN隣人に関する知識を活用できる確率的アルゴリズムを開発し、特定のリーダーに適切なチームを募集するよう依頼する。 提案アルゴリズムは最適な停止戦略から着想を得て,オッズアルゴリズムを用いて出力を算出する。 実験結果から, ベンチマーク指数最適解と比較して, 提案手法は計算時間を短縮し, 妥当な性能が得られることがわかった。

関連論文リスト

• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• Benchmarking Robustness and Generalization in Multi-Agent Systems: A Case Study on Neural MMO [50.58083807719749]
  IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。 この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。 環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
  論文  参考訳（メタデータ） (2023-08-30T07:16:11Z)
• Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining [119.89373423433804]
  有効指標としてAUPRC(Area Under Precision-Recall)を導入した。 サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。 本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:51:32Z)
• Enhancing Worker Recruitment in Collaborative Mobile Crowdsourcing: A Graph Neural Network Trust Evaluation Approach [7.883218966932225]
  CMCS(Collaborative Mobile Crowdsourcing)は、複雑なセンシングタスクを協調的に実行するワーカーチームを募集するプラットフォームである。 本稿では,ソーシャルネットワークにおける全作業者の非対称信頼度を求めるために,信頼強化評価フレームワーク(TREF)を提案する。
  論文  参考訳（メタデータ） (2023-06-07T11:59:45Z)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• Distributed Deep Learning in Open Collaborations [49.240611132653456]
  協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。 現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-18T16:23:13Z)
• Low Complexity Recruitment for Collaborative Mobile Crowdsourcing Using Graph Neural Networks [2.798697306330988]
  コラボレーティブ・モバイル・クラウドソーシング(CMCS、Collaborative Mobile crowdsourcing)は、例えば地方自治体や個人が、インターネットに接続された人々の群衆から労働者のチームを雇うことを可能にする。 本稿では,2つのCMCS採用戦略について検討し,課題依頼者が社会的に結びついた,熟練した労働者のチームを構成できるようにする。
  論文  参考訳（メタデータ） (2021-06-01T18:24:02Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• TAIP: an anytime algorithm for allocating student teams to internship programs [0.0]
  我々は、教育の文脈において、チームとタスクをマッチングする問題、特に学生のチームを編成し、インターンシッププログラムに割り当てるコンテキストに焦点をあてる。 まず、インターンシッププログラム問題のためのチーム割当の形式化を行い、それを最適に解くことの計算困難さを示す。 我々は、後に反復的なプロセスの改善を試みる初期チームのアロケーションを生成するアルゴリズムであるTAIPを提案する。
  論文  参考訳（メタデータ） (2020-05-19T09:50:38Z)
• Optimal Team Recruitment Strategies for Collaborative Mobile Crowdsourcing Systems [1.4209473797379666]
  協調的なモバイルクラウドソーシングフレームワークのための2つの採用戦略を開発する。 最初の提案された戦略は、プラットフォームの知識を活用してチームを形成するプラットフォームベースのアプローチである。 第2のアプローチは、チームメンバのソーシャルネットワーク(SN)隣人に関する知識を使用して、適切なチームを募集するグループリーダを指定する、リーダベースのアプローチである。
  論文  参考訳（メタデータ） (2020-04-24T02:38:39Z)

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。