论文部分内容阅读
随着智能手机的普及和在智能手机用户的帮助下可以收集大量实时数据的能力,群智感知技术正变得越来越受欢迎。一个群智感知平台可以使用收集的数据来提取有效的信息,然后为用户提供服务。然而,由于用户用收集数据需要耗费一定的手机资源,包括电量,cpu,时间成本等,而用户通常是理性的,因此设计一个良好的激励机制用来补偿并吸引用户参加显得尤为重要。离线的激励机制已经在众多的群智感知应用中得到广泛使用,然而在在线的场景下,问题变得更加具有挑战性,因为当群智感知平台在进行决策的时候,无法获得未来的信息,因此难以做出最佳决策。在本篇文章中,我们将研究在线的激励机制设计,并且考虑到一个重要的性质,即用户对于群智感知平台贡献的价值随着时间递减。众所周知,数据的价值是具有时效的,过期的数据价值会大打折扣。这种时变价值的属性在决策场景中很常见,但是在机制设计领域并没有得到深度的重视和研究。为了解决这个问题,我们提出了一种新的方法来挑选参与者,这种方法基于一种时间相关的临界值。我们还设计了一个可信的框架,在这个框架运行下,参与者总是提供他们真实的信息,即避免的欺诈行为的发生。因为在一个自由市场中,参与者通常会谎报个人信息操纵市场,从而获取更大利益。我们考虑了两种场景,一种是平台的总收益价值是参与者贡献的价值之和;还有一种更一般的场景是平台收获的总价值是参与者贡献价值的子模函数。我们把针对这两种场景设计的机制称作TDM和TDMS。我们证明了这两种机制可以达到很好的性质,比如多项式的时间复杂度,预算可行,可信,还有常数的竞争比。通过比较TDM和两种启发式的基准算法,可以看出我们设计的机制达到了很好的性能。