論文の概要: Evaluating Collaborative and Autonomous Agents in Data-Stream-Supported Coordination of Mobile Crowdsourcing

• arxiv url: http://arxiv.org/abs/2401.12866v1
• Date: Tue, 23 Jan 2024 16:00:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 15:06:33.300312
• Title: Evaluating Collaborative and Autonomous Agents in Data-Stream-Supported Coordination of Mobile Crowdsourcing
• Title（参考訳）: データストリーム対応型モバイルクラウドソーシングにおける協調的・自律的エージェントの評価
• Authors: Ralf Bruns, Jeremias D\"otterl, J\"urgen Dunkel, Sascha Ossowski
• Abstract要約: モバイルのクラウドソーシングでは、これらのタスクを成功させるのに苦労するクラウドワーカーにタスクが割り当てられることが多い。 モバイルクラウドソーシングにおける成果予測とタスクコーディネートを実現するための様々なメカニズムを提案する。
• 参考スコア（独自算出の注目度）: 0.7865191493201839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile crowdsourcing refers to systems where the completion of tasks necessarily requires physical movement of crowdworkers in an on-demand workforce. Evidence suggests that in such systems, tasks often get assigned to crowdworkers who struggle to complete those tasks successfully, resulting in high failure rates and low service quality. A promising solution to ensure higher quality of service is to continuously adapt the assignment and respond to failure-causing events by transferring tasks to better-suited workers who use different routes or vehicles. However, implementing task transfers in mobile crowdsourcing is difficult because workers are autonomous and may reject transfer requests. Moreover, task outcomes are uncertain and need to be predicted. In this paper, we propose different mechanisms to achieve outcome prediction and task coordination in mobile crowdsourcing. First, we analyze different data stream learning approaches for the prediction of task outcomes. Second, based on the suggested prediction model, we propose and evaluate two different approaches for task coordination with different degrees of autonomy: an opportunistic approach for crowdshipping with collaborative, but non-autonomous workers, and a market-based model with autonomous workers for crowdsensing.
• Abstract（参考訳）: モバイルクラウドソーシング(mobile crowdsourcing)とは、タスクの完了が必要に応じてオンデマンド労働力でクラウドワーカーの物理的移動を必要とするシステムのことである。 そのようなシステムでは、タスクを成功させるのに苦労しているクラウドワーカーにタスクが割り当てられることが少なく、結果として高い障害率と低いサービス品質がもたらされる。 高い品質のサービスを確保するための有望な解決策は、異なるルートや車両を使用するより適した労働者にタスクを転送することで、割り当てを継続的に適応させ、障害発生イベントに対応することだ。 しかし、モバイルクラウドソーシングにおけるタスク転送の実装は、労働者が自律的であり、転送要求を拒否する可能性があるため困難である。 さらに、タスクの結果は不確実であり、予測する必要がある。 本稿では,モバイルクラウドソーシングにおける成果予測とタスクコーディネートを実現するための異なるメカニズムを提案する。 まず、さまざまなデータストリーム学習アプローチを分析し、タスク結果の予測を行う。 第2に,提案した予測モデルに基づいて,共同作業者によるクラウドスリップのための機会論的アプローチと,クラウドセンシングのための自律作業者による市場ベースモデルという,自律的なタスクコーディネートのための2つの異なるアプローチを提案し,評価する。

関連論文リスト

• Heterogeneous Graph Reinforcement Learning for Dependency-aware Multi-task Allocation in Spatial Crowdsourcing [33.915222518617085]
  本稿では,依存性を考慮したマルチタスクアロケーション(DMA)の問題点を公式に検討する。 Heterogeneous Graph Reinforcement Learning-based Task Allocation (HGRL-TA)として知られる、それを解決するためのよく設計されたフレームワークを提供する。 実験結果は、提案されたHGRL-TAのDMA問題を解決する効果と一般性を示し、メタヒューリスティック法を用いて達成したよりも21.78%高い平均利益をもたらす。
  論文  参考訳（メタデータ） (2024-10-20T17:00:45Z)
• Diversity-Based Recruitment in Crowdsensing By Combinatorial Multi-Armed Bandits [6.802315212233411]
  本稿では,モバイル端末とそのユーザを中心的要求者の協調の下で集団センシングタスクに活用するモバイル・クラウドセンシングについて検討する。 ここでの最大の課題は、最初は未知であり、徐々に学ばなければならない個々の労働者の知覚能力の変化である。 本稿では,各ラウンドにおけるタスクの重み付けを各ラウンドの割り当て頻度に基づいて動的に調整することにより,各ラウンドにおけるタスクの多様性を高める新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-25T13:54:58Z)
• Designing Closed-Loop Models for Task Allocation [36.04165658325371]
  我々は、ブートストラップモデルトレーニングと人間とタスクの類似性に関する弱い事前情報を利用する。 このような弱い事前の使用は、人間の意思決定者が誤りを犯したりバイアスを受けたりしても、タスク割り当て精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-05-31T13:57:56Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)
• 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)
• Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies [64.0476282000118]
  固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。 内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。 特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。 そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
  論文  参考訳（メタデータ） (2022-05-16T10:43:01Z)
• Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint [9.503584357135832]
  フェデレートされた学習は、データ分離を持つすべての関係者が協力的かつ効率的にモデルをトレーニングすることを可能にする。 高品質なモデルを得るには、より高品質な労働者をデータと計算能力で動機付けるためのインセンティブメカニズムが必要である。 本稿では,予算制約を伴う水平的フェデレーション学習のための,逆オークションに基づくオンラインインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2022-01-22T13:37:52Z)
• Uni-Perceiver: Pre-training Unified Architecture for Generic Perception for Zero-shot and Few-shot Tasks [73.63892022944198]
  我々はUni-Perceiverという汎用認識アーキテクチャを提案する。 様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。 その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
  論文  参考訳（メタデータ） (2021-12-02T18:59:50Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)
• Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
  我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。 我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。 従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
  論文  参考訳（メタデータ） (2020-02-25T18:56:42Z)

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。