論文の概要: QUIDS: Quality-informed Incentive-driven Multi-agent Dispatching System for Mobile Crowdsensing

• arxiv url: http://arxiv.org/abs/2512.16325v1
• Date: Thu, 18 Dec 2025 09:06:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.995195
• Title: QUIDS: Quality-informed Incentive-driven Multi-agent Dispatching System for Mobile Crowdsensing
• Title（参考訳）: QUIDS:モバイルクラウドセンシングのための品質インフォームドインセンティブ駆動型マルチエージェント分散システム
• Authors: Nan Zhou, Zuxin Li, Fanhang Man, Xuecheng Chen, Susu Xu, Fan Dang, Chaopeng Hong, Yunhao Liu, Xiao-Ping Zhang, Xinlei Chen,
• Abstract要約: 本稿では,NVMCSシステムにおける最適情報品質の実現に向けた課題について述べる。 主な障害は、検知カバレッジの相互関連問題、感度信頼性、車両の動的参加である。 本稿では,QUality によるインセンティブ駆動型マルチエージェント分散システム QUIDS を提案する。
• 参考スコア（独自算出の注目度）: 33.14474424756347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the challenge of achieving optimal Quality of Information (QoI) in non-dedicated vehicular mobile crowdsensing (NVMCS) systems. The key obstacles are the interrelated issues of sensing coverage, sensing reliability, and the dynamic participation of vehicles. To tackle these, we propose QUIDS, a QUality-informed Incentive-driven multi-agent Dispatching System, which ensures high sensing coverage and reliability under budget constraints. QUIDS introduces a novel metric, Aggregated Sensing Quality (ASQ), to quantitatively capture QoI by integrating both coverage and reliability. We also develop a Mutually Assisted Belief-aware Vehicle Dispatching algorithm that estimates sensing reliability and allocates incentives under uncertainty, further improving ASQ. Evaluation using real-world data from a metropolitan NVMCS deployment shows QUIDS improves ASQ by 38% over non-dispatching scenarios and by 10% over state-of-the-art methods. It also reduces reconstruction map errors by 39-74% across algorithms. By jointly optimizing coverage and reliability via a quality-informed incentive mechanism, QUIDS enables low-cost, high-quality urban monitoring without dedicated infrastructure, applicable to smart-city scenarios like traffic and environmental sensing.
• Abstract（参考訳）: 本稿では,NVMCSシステムにおけるQoI(Quality of Information)の実現に向けた課題について述べる。 主な障害は、検知カバレッジの相互関連問題、感度信頼性、車両の動的参加である。 そこで我々は,QUality-informed Incentive-driven multi-agent Dispatching Systemを提案する。 QUIDSはAggregated Sensing Quality (ASQ)という新しいメトリクスを導入し、QoIのカバレッジと信頼性を統合して定量化している。 また,センサの信頼性を推定し,不確実性の下でインセンティブを割り当て,ASQをさらに改善する,相互対応型Breief-Aware Vehicle Dispatchingアルゴリズムを開発した。 首都NVMCSの展開による実世界のデータを用いた評価では、QUIDSは非分散シナリオよりもASQを38%改善し、最先端の手法よりも10%改善している。 また、再構成マップの誤差をアルゴリズム全体で39～74%削減する。 QUIDSは、品質インフォームドインセンティブメカニズムを通じて、カバレッジと信頼性を共同で最適化することにより、交通や環境検知といったスマートシティのシナリオに適用できる、低コストで高品質な都市モニタリングを可能にする。

関連論文リスト

• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• Security-Aware Joint Sensing, Communication, and Computing Optimization in Low Altitude Wireless Networks [83.84711311344918]
  I SCCは低高度無線ネットワーク(LAWN)の中核部の一つである。 本稿では,通信の秘密性を考慮したI SCCの連成性能最適化について検討する。 進化的最適化の目的に応じて進化的演算子を適応的に選択する深層Q-network(DQN)に基づく多目的進化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-03T11:06:41Z)
• OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows [77.95511352806261]
  VLM(Vision-Language Models)を利用したコンピュータ利用エージェントは、モバイルプラットフォームのようなデジタル環境を操作する上で、人間のような能力を実証している。 我々は,明示的なシステムレベルの違反を検出するための形式検証器と,文脈的リスクとエージェント行動を評価するコンテキスト判断器を組み合わせた,新しいハイブリッド安全検出フレームワークOS-Sentinelを提案する。
  論文  参考訳（メタデータ） (2025-10-28T13:22:39Z)
• Improving Quality Control Of MRI Images Using Synthetic Motion Data [2.8225380435623606]
  本稿では,QC分類にトランスファー学習を適用する前に,合成された動作成果物のモデルを事前学習する手法を提案する。 この手法は、品質の悪いスキャンの精度を向上するだけでなく、トレーニング時間やリソース要件も低減する。
  論文  参考訳（メタデータ） (2025-01-31T20:50:55Z)
• Multi-agent Assessment with QoS Enhancement for HD Map Updates in a Vehicular Network [8.853779271331508]
  Reinforcement Learning (RL)アルゴリズムは、車載アドホックネットワーク(VANET)のオフロードプロセスにおける課題に対処するために使用されている。 DQN(Deep Q-learning)とAV(Actor-critic at the autonomous vehicle)は、計算負荷の増加を招き、計算装置に大きな負担とコストを発生させる可能性がある。 本稿では,分散マルチエージェント環境におけるQラーニング単一エージェントソリューションを利用したアプリケーションのスケーラビリティを評価する。
  論文  参考訳（メタデータ） (2024-07-31T09:17:09Z)
• Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
  平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。 モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。 本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
  論文  参考訳（メタデータ） (2023-06-29T15:57:07Z)
• Towards Robust Text-Prompted Semantic Criterion for In-the-Wild Video Quality Assessment [54.31355080688127]
  コントラスト言語画像事前学習(CLIP)を用いたテキストプロンプト付きセマンティック親和性品質指標(SAQI)とそのローカライズ版(SAQI-Local)を導入する。 BVQI-Localは前例のないパフォーマンスを示し、すべてのデータセットで既存のゼロショットインデックスを少なくとも24%上回る。 我々は、異なる指標の異なる品質問題を調べるために包括的な分析を行い、設計の有効性と合理性を示す。
  論文  参考訳（メタデータ） (2023-04-28T08:06:05Z)
• Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks [16.930875340427765]
  我々は、車両ネットワークに予測品質(PQoS)を実装するための強化学習エージェントを設計する。 我々のフレームワークは、低レイテンシと信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定することができる。
  論文  参考訳（メタデータ） (2023-02-22T10:35:00Z)

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。