論文の概要: Incentive Mechanism for Uncertain Tasks under Differential Privacy
- arxiv url: http://arxiv.org/abs/2305.16793v2
- Date: Wed, 6 Mar 2024 15:16:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-17 17:20:31.173831
- Title: Incentive Mechanism for Uncertain Tasks under Differential Privacy
- Title(参考訳): 差分プライバシー下における不確実なタスクのインセンティブメカニズム
- Authors: Xikun Jiang, Chenhao Ying, Lei Li, Boris Düdder, Haiqin Wu, Haiming Jin, Yuan Luo,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 17.058734221792964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile crowd sensing (MCS) has emerged as an increasingly popular sensing paradigm due to its cost-effectiveness. This approach relies on platforms to outsource tasks to participating workers when prompted by task publishers. Although incentive mechanisms have been devised to foster widespread participation in MCS, most of them focus only on static tasks (i.e., tasks for which the timing and type are known in advance) and do not protect the privacy of worker bids. In a dynamic and resource-constrained environment, tasks are often uncertain (i.e., the platform lacks a priori knowledge about the tasks) and worker bids may be vulnerable to inference attacks. This paper presents HERALD*, an incentive mechanism that addresses these issues through the use of uncertainty and hidden bids. Theoretical analysis reveals that HERALD* satisfies a range of critical criteria, including truthfulness, individual rationality, differential privacy, low computational complexity, and low social cost. These properties are then corroborated through a series of evaluations.
- Abstract(参考訳): 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。
このアプローチは、タスクパブリッシャによって促されるとき、参加するワーカーにタスクをアウトソースするプラットフォームに依存します。
インセンティブメカニズムは、MCSへの広範な参加を促進するために考案されているが、その多くは静的タスク(例えば、時間とタイプが事前に分かっているタスク)にのみ焦点を合わせており、労働者入札のプライバシーを保護していない。
動的でリソースに制約のある環境では、タスクはしばしば不確実(つまり、プラットフォームにはタスクに関する事前知識がない)であり、ワーカーの入札は推論攻撃に対して脆弱である。
本稿では,不確実性と隠れ入札を用いてこれらの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。
理論的分析によれば、HERALD*は真理性、個人の合理性、差分プライバシー、計算複雑性の低下、社会コストの低下など、様々な批判的基準を満たす。
これらの性質は、一連の評価を通じて相関する。
関連論文リスト
- WESE: Weak Exploration to Strong Exploitation for LLM Agents [95.6720931773781]
本稿では,オープンワールド対話型タスクの解法において,LLMエージェントの強化を目的としたWeak Exploration to Strong Exploitation (WESE)を提案する。
WESEは、探究と搾取のプロセスを分離し、費用対効果の弱いエージェントを用いて世界的知識の探索を行う。
次に、獲得した知識を格納し、タスク関連知識を抽出する知識グラフベースの戦略を導入する。
論文 参考訳(メタデータ) (2024-04-11T03:31:54Z) - 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) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は破滅的な忘れ込みという課題を克服しようと試み、そこでは新しいタスクを解くための学習が、モデルが以前に学習した情報を忘れる原因となる。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れ込みを抑える新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-15T17:10:51Z) - "How to make them stay?" -- Diverse Counterfactual Explanations of
Employee Attrition [3.0839245814393728]
従業員の誘惑は、組織の競争力とパフォーマンスに直接影響を与える、重要で複雑な問題である。
機械学習(ML)は、人的資源管理の様々な側面に適用されている。
本稿では, 過去のデータから, 複数事例に焦点をあてた反実的説明の利用を提案する。
論文 参考訳(メタデータ) (2023-03-08T13:54:57Z) - 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) - AutoDIME: Automatic Design of Interesting Multi-Agent Environments [3.1546318469750205]
マルチエージェント設定に適用可能な予測問題から得られた本質的な教師報酬のセットについて検討する。
本質的に見なされた報酬のうち、価値の相違はタスク間で最も一貫性があることがわかった。
この結果から,教師の報酬,特に価値の相違は,単一環境とマルチエージェント環境の両方を自動生成する上で有望なアプローチであることが示唆された。
論文 参考訳(メタデータ) (2022-03-04T18:25:33Z) - A new perspective on classification: optimally allocating limited
resources to uncertain tasks [4.169130102668252]
例えば、クレジットカード詐欺検出では、銀行は詐欺捜査チームに少数の取引しか割り当てることができない。
我々は、タスクの不確実性に対処するために分類を使うことは、利用可能な能力を考慮していないため、本質的には最適ではないと論じる。
本稿では,限られた能力しか持たない課題の期待利益を直接最適化することで,ランク付けのための学習を用いた新しいソリューションを提案する。
論文 参考訳(メタデータ) (2022-02-09T10:14:45Z) - Harnessing Context for Budget-Limited Crowdsensing with Massive
Uncertain Workers [26.835745787064337]
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。
論文 参考訳(メタデータ) (2021-07-03T09:09:07Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳(メタデータ) (2020-12-30T10:27:59Z) - Differential Privacy of Hierarchical Census Data: An Optimization
Approach [53.29035917495491]
国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。
最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。
本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
論文 参考訳(メタデータ) (2020-06-28T18:19:55Z) - Maximizing Information Gain in Partially Observable Environments via
Prediction Reward [64.24528565312463]
本稿では,深いRLエージェントに対する信念に基づく報酬の活用という課題に取り組む。
負のエントロピーと予測される予測報酬の正確な誤差を導出する。
この洞察は、予測報酬を用いたいくつかの分野の理論的動機を与える。
論文 参考訳(メタデータ) (2020-05-11T08:13:49Z)
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。