論文の概要: Harnessing Context for Budget-Limited Crowdsensing with Massive Uncertain Workers

• arxiv url: http://arxiv.org/abs/2107.01385v2
• Date: Fri, 6 May 2022 11:56:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 16:42:04.956690
• Title: Harnessing Context for Budget-Limited Crowdsensing with Massive Uncertain Workers
• Title（参考訳）: 大規模不確かさ労働者による予算制限群集のハーネス化状況
• Authors: Feng Li, Jichao Zhao, Dongxiao Yu, Xiuzhen Cheng, Weifeng Lv
• Abstract要約: 本稿では,コンテキスト対応作業者選択(CAWS)アルゴリズムを提案する。 CAWSは、予算制約とキャパシティ制約の両方を尊重して、予想される総センシング収益を効率的に最大化することを目指している。
• 参考スコア（独自算出の注目度）: 26.835745787064337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowdsensing is an emerging paradigm of ubiquitous sensing, through which a crowd of workers are recruited to perform sensing tasks collaboratively. Although it has stimulated many applications, an open fundamental problem is how to select among a massive number of workers to perform a given sensing task under a limited budget. Nevertheless, due to the proliferation of smart devices equipped with various sensors, it is very difficult to profile the workers in terms of sensing ability. Although the uncertainties of the workers can be addressed by standard Combinatorial Multi-Armed Bandit (CMAB) framework through a trade-off between exploration and exploitation, we do not have sufficient allowance to directly explore and exploit the workers under the limited budget. Furthermore, since the sensor devices usually have quite limited resources, the workers may have bounded capabilities to perform the sensing task for only few times, which further restricts our opportunities to learn the uncertainty. To address the above issues, we propose a Context-Aware Worker Selection (CAWS) algorithm in this paper. By leveraging the correlation between the context information of the workers and their sensing abilities, CAWS aims at maximizing the expected total sensing revenue efficiently with both budget constraint and capacity constraints respected, even when the number of the uncertain workers is massive. The efficacy of CAWS can be verified by rigorous theoretical analysis and extensive experiments.
• Abstract（参考訳）: crowdsensingはユビキタスセンシングの新たなパラダイムであり、作業員の群衆が共同でセンシングタスクを実行するために採用される。 多くのアプリケーションに刺激を与えたが、オープンな根本的な問題は、限られた予算で与えられたセンシングタスクを実行するために、膨大な数の労働者の中からどのように選択するかである。 それでも、各種センサを備えたスマートデバイスの普及により、労働者を知覚能力でプロファイルすることは極めて困難である。 作業者の不確実性は,探索と搾取のトレードオフを通じて,標準的なコンビニアル・マルチアーマッド・バンディット(CMAB)の枠組みで対処できるが,限られた予算の下で直接作業員を探索・活用するための十分な余裕はない。 さらに、センサー装置にはリソースが限られているため、労働者はわずか数回しかセンサータスクを実行できない可能性があるため、不確実性を学ぶ機会が制限される。 上記の問題に対処するため,本稿ではコンテキスト対応作業者選択(CAWS)アルゴリズムを提案する。 CAWSは、労働者のコンテキスト情報と知覚能力の相関を利用して、不確実な労働者の数が大量である場合でも、予算制約とキャパシティ制約の両方を尊重して、予想される総センシング収益を効率的に最大化することを目指している。 CAWSの有効性は厳密な理論的分析と広範な実験によって検証できる。

関連論文リスト

• Multi-Agent Imitation Learning: Value is Easy, Regret is Hard [52.31989962031179]
  我々は,エージェント群を協調させようとする学習者の視点で,マルチエージェント模倣学習(MAIL)問題を研究する。 MAILの以前の作業のほとんどは、基本的には、デモのサポート内で専門家の振る舞いにマッチする問題を減らすものです。 エージェントが戦略的でないという仮定の下で、学習者と専門家の間の価値ギャップをゼロにするのに十分であるが、戦略的エージェントによる逸脱を保証するものではない。
  論文  参考訳（メタデータ） (2024-06-06T16:18:20Z)
• RAG-based Crowdsourcing Task Decomposition via Masked Contrastive Learning with Prompts [21.69333828191263]
  本稿では、自然言語理解の観点からタスク分解(TD)をイベント検出として再認識する、検索強化世代ベースのクラウドソーシングフレームワークを提案する。 本稿では,TD (PBCT) のための Prompt-based Contrastive Learning framework を提案する。 実験結果は,教師付きおよびゼロショット検出における本手法の競合性を実証した。
  論文  参考訳（メタデータ） (2024-06-04T08:34:19Z)
• Incentivizing Massive Unknown Workers for Budget-Limited Crowdsensing: From Off-Line and On-Line Perspectives [31.24314338983544]
  オフラインのコンテキスト認識型CMABベースのインセンティブ(CACI)機構を提案する。 また、このアイデアを、未知の労働者がシステムに参加または離脱するオンライン設定に拡張する。
  論文  参考訳（メタデータ） (2023-09-21T14:30:42Z)
• Granger Causal Interaction Skill Chains [35.143372688036685]
  強化学習(Reinforcement Learning, RL)は複雑なタスクの学習方針において有望な結果を示してきたが、しばしばサンプル効率の低下と限られた伝達性に悩まされる。 このアルゴリズムは、ドメイン内の制御性に着目し、高い制御を許す少数のタスクに依存しないスキルを識別する。 また、一般的なRLベンチマークであるBreakoutの変種を用いて、COInSが学習したスキルの伝達性を実証し、標準のRLベースラインと比較してサンプル効率と最終性能を2～3倍改善したことを示す。
  論文  参考訳（メタデータ） (2023-06-15T21:06:54Z)
• Incentive Mechanism for Uncertain Tasks under Differential Privacy [17.058734221792964]
  モバイル・クラウド・センシング (MCS) は, 費用対効果により, センサ・パラダイムとして人気が高まっている。 本稿では,不確実性と隠れ入札を用いて問題に対処するインセンティブメカニズムであるHERALD*を提案する。
  論文  参考訳（メタデータ） (2023-05-26T10:15:02Z)
• Learning Options via Compression [62.55893046218824]
  そこで本研究では,スキル記述長に対するペナルティと,最大限の目標を組み合わさった新たな目的を提案する。 我々の目的は、最大化可能性のみから学んだスキルと比較して、下流のタスクを少ないサンプルで解くスキルを学ぶことである。
  論文  参考訳（メタデータ） (2022-12-08T22:34:59Z)
• Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
  Intrinsic Reward Matching (IRM) を提案する。 IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
  論文  参考訳（メタデータ） (2022-10-14T00:04:49Z)
• Collaborative Anomaly Detection [66.51075412012581]
  本研究では,タスク間の相関関係を埋め込むことで,全てのタスクを共同で学習するための協調的異常検出(CAD)を提案する。 条件密度推定と条件確率比推定を用いてCADを探索する。 タスク埋め込みモデルを学ぶために、前もって少数のタスクを選択し、それを使ってタスク埋め込みをウォームスタートさせることは有益である。
  論文  参考訳（メタデータ） (2022-09-20T18:01:07Z)
• Task Allocation with Load Management in Multi-Agent Teams [4.844411739015927]
  負荷管理を考慮したタスク割り当て学習のための多エージェントチームのための意思決定フレームワークを提案する。 負荷管理がチームのパフォーマンスに与える影響を説明し、例のシナリオでエージェントの振る舞いを探る。 コラボレーションにおけるエージェントの重要性の尺度は、潜在的な過負荷の状況に直面しているときにチームのレジリエンスを推測するために開発されます。
  論文  参考訳（メタデータ） (2022-07-17T20:17:09Z)
• Hierarchical Skills for Efficient Exploration [70.62309286348057]
  強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。 下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。 教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:29:32Z)
• Weakly-Supervised Reinforcement Learning for Controllable Behavior [126.04932929741538]
  強化学習(Reinforcement Learning、RL)は、タスクを解決するために行動を取るための学習のための強力なフレームワークである。 多くの設定において、エージェントは、現在解決するよう求められている単一のタスクに対して、不可能なほど大きなタスク空間を放棄しなければならない。 我々は,この意味論的意味のあるタスクのサブスペースを,非意味的な「チャフ」タスクの巨大な空間から自動的に切り離すために,弱い監督を利用するフレームワークを導入する。
  論文  参考訳（メタデータ） (2020-04-06T17:50:28Z)

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。