General Privacy-Preserving Verifiable Incentive Mechanism for Crowdsourcing Markets
在众包市场中，有两种不同类型的工作，即同质工作和异质工作，需要分配给工人。激励机制是吸引用户广泛参与以实现良好服务质量的必要条件，特别是在给定的预算约束条件下。为此，最近，Singer等人提出了一类新的拍卖机制，用于确定受给定预算约束的众包市场的任务的近最优价格。他们的机制是非常有用的，以激励广泛的用户真实地参与众包市场。尽管它们如此重要，但在现实生活环境中仍然存在许多安全和隐私挑战。本文提出了一种具有预算约束的众包市场隐私保护的可验证激励机制，不仅研究了在同质和异质工作的众包市场中如何保护投标和任务的隐私、中标者的隐私以及用户的身份隐私，而且研究了众包应用平台和用户之间的可验证支付。结果表明，我们的一般隐私保护的可验证的激励机制实现了相同的结果，一般的一个没有隐私保护。
2014-07-22 cs.CR cs.GT
Cash or Non-Cash? Unveiling Ideators' Incentive Preferences in Crowdsourcing Contests
本文通过多研究量化众包竞赛中创意者对非现金激励的偏好，发现个体偏好异质且常偏好非现金激励，提供激励选择可提升创造性表现，但营利性情境下非现金激励可能降低努力，并指出偏好异质性是实现选择激励效益的关键边界条件。
2024-04-02 cs.GT cs.HC
Small Profits and Quick Returns: A Practical SocialWelfare Maximizing Incentive Mechanism for Deadline-Sensitive Tasks in Crowdsourcing
由于众包的驱动力是参与者之间的互动，因此已经提出了各种激励机制来吸引足够的参与者。然而，现有的作品假设所有的供应商总是满足最后期限和任务的价值相应地保持不变。为了弥补这种不切实际的假设，我们模型的异构准时行为的提供者和请求者的任务价值折旧。基于这些模型，我们提出了一个预期社会福利最大化（ESWM）机制，旨在最大化的预期社会福利在多项式时间。仿真结果表明，该机制通过吸引更多的参与者，实现了更高的预期社会福利和平台效用。
2017-06-30 cs.GT cs.HC
Rating Protocol Design for Extortion and Cooperation in the Crowdsourcing Contest Dilemma
众包已经成为利用人类智慧和活动来解决各种任务的范例。然而，在众包竞争的困境博弈中，战略工作者会发现他们的自我利益的诱惑，从而搭便车和攻击。因此，激励机制对于克服社会不良均衡的无效率具有重要意义。现有的激励机制不能有效地为众包竞争中的合作提供激励，这是由于以下特点：异构工人在一个监控不完善的众包平台上相互竞争。在本文中，我们考虑到这些功能，并开发了一种新的博弈论设计的评级协议，它集成了二进制评级标签与差异定价，以最大限度地提高请求者的效用，通过勒索自私的工人和他们之间的合作。通过量化可持续的社会规范的充分必要条件，我们制定了所有可持续的评级协议中的请求者的收入最大化的问题，提供最优评级协议的设计准则，并设计了一个低复杂度的算法来选择最优的设计参数相关的差别惩罚和定价方案。仿真结果表明，如何内在参数的影响，设计参数，以及所提出的评级协议的性能增益。
2017-12-29 cs.GT
Double or Nothing: Multiplicative Incentive Mechanisms for Crowdsourcing
University of California, Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
众包在用于获得大量标记数据的机器学习应用中获得了极大的普及。众包既便宜又快捷，但存在数据质量低的问题。为了解决众包中的这一基本挑战，我们提出了一个简单的支付机制，以激励员工只回答他们确定的问题，跳过其余的问题。令人惊讶的是，在温和和自然的“没有免费的午餐”的要求，这种机制是唯一的激励兼容的支付机制可能。我们还表明，在所有可能的激励兼容的机制（可能会或可能不会满足没有免费的午餐），我们的机制使最小的可能支付给垃圾邮件发送者。我们进一步将我们的结果扩展到一个更一般的设置中，工人需要为每个问题提供量化的信心。有趣的是，这种独特的机制采取了“倍增”的形式。该机制的简单性是一个额外的好处。在涉及900多个工人-任务对的初步实验中，我们观察到在相同或更低的货币支出下，这种独特的机制使出错率显著下降。
2015-12-16 cs.GT cs.HC cs.LG
Frugal Online Incentive Mechanisms for Crowdsourcing Tasks Truthfully
移动人群感知（MCS）是一种新的模式，它利用无处不在的智能手机来有效地收集数据，从而实现许多新颖的应用。为了实现良好的服务质量的MCS应用，激励机制是必要的，以吸引更多的用户参与。大多数现有的机制只适用于离线的情况下，所有用户的信息是已知的先验。相反，我们关注的是一个更现实的场景，用户以随机顺序一个接一个地在线。基于在线拍卖模型，研究了用户在到达时向众包者提交个人信息的问题，众包者的目标是在指定的截止日期之前选择一部分用户，使总支付最小，同时完成指定数量的任务，设计了三种在线机制：Homo-OMZ，Hetero-OMZ和Hetero-OMG，它们都能满足计算效率，个人理性、成本真实性和消费者主权。Homo-OMZ机制适用于同质用户模型，能够满足社会效率但不满足恒节俭。Hetero-OMZ和Hetero-OMG机制适用于同构和异构用户模型，并能满足恒定的节俭性。此外，Hetero-OMG机制还可以满足时间真实性。通过大量的模拟，我们评估的性能和验证我们的在线机制的理论属性。
2014-04-09 cs.GT
Reputation-based Incentive Protocols in Crowdsourcing Applications
University of California, Los Angeles（加州大学洛杉矶分校）
众包网站（如Yahoo！答案，亚马逊机械土耳其人，等等。近年来出现了一种新的技术，允许来自世界各地的请求者发布任务，并从同样全球的工人中寻求帮助。然而，内在的激励问题存在于众包应用程序的工人和请求者是自私的，旨在战略上最大限度地提高自己的利益。在本文中，我们提出了一种新的基于重复博弈的博弈论模型，为工人提供激励，使他们努力工作。由于在社会福利中，工人追求自身利益时出现的非合作均衡与理想的帕累托有效结果之间总是存在差距，因此我们提出了一类新的基于社会规范的激励协议，该协议将声誉机制整合到目前在众包网站上实施的现有定价方案中，以改善在这种应用中出现的非合作均衡的性能。首先，我们将众包网站上的交流制定为一个双边市场，请求者和工作者匹配并反复玩赠送礼物的游戏。随后，我们研究了协议设计者的问题，找到一个最佳的和可持续的（均衡）协议，实现最高的社会福利的网站。我们证明了所提出的激励协议可以使网站运行接近帕累托效率。此外，我们还研究了另一种情况下，协议设计者的目的是最大限度地提高网站的收入和评估最佳协议的性能。
2011-08-10 cs.AI cs.GT cs.SI
Approval Voting and Incentives in Crowdsourcing
UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
对标记训练数据的需求日益增长，使得众包成为机器学习的重要组成部分。然而，众包标签的质量受到三个因素的不利影响：（1）工人不是专家;（2）工人的激励与请求者的激励不一致;（3）界面不允许工人准确地传达他们的知识，迫使他们在一组选项中做出单一选择。在本文中，我们解决这些问题，通过引入批准投票，利用专业知识的工人谁拥有部分知识的真实答案，并将其与（“严格适当”）激励兼容的补偿机制。我们严格的理论保证，我们的机制的最优性，连同一个简单的公理表征。我们还对亚马逊土耳其机器人进行了初步的实证研究，验证了我们的方法。
2015-09-07 cs.AI cs.GT cs.LG
Influence before Hiring: A Two-tired Incentive Compatible Mechanism for IoT-based Crowdsourcing in Strategic Setting
本文研究了策略环境下基于物联网的多异构任务众包场景，提出了一种两层激励相容机制：第一层通过社交联系选择初始通知器以最大化设备通知数并满足预算约束，第二层利用单峰偏好和总替代标准确定并雇佣高质量设备，理论分析与实验证明该机制具备真实性、预算可行性和个体理性。
2023-04-03 cs.GT
TRUST-SC: Truthful Multi-Task Double Auction for Quality-Aware Spatial Crowdsourcing in Strategic Environment
VIT-AP University（维特阿普大学）；Thapar Institute of Engineering & Technology（塔帕尔工程技术学院）
本文提出TRUST-SC机制，通过三层次架构提升空间众包任务分配效率与执行者可靠性，采用多单位双拍卖确保激励相容性，实验证明其优于现有机制。
2026-04-24 cs.GT
Inference Aided Reinforcement Learning for Incentive Mechanism Design in Crowdsourcing
Nanyang Technological University（南洋理工大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Harvard University（哈佛大学）
众包的激励机制旨在激励在经济上自利的工作者制作和报告高质量的标签。现有的机制通常是作为一次性静态解决方案开发的，假设对工作者模型有一定程度的了解（专业知识水平，努力的成本等）。在本文中，我们提出了一种新的推理辅助强化机制，它可以学习顺序地激励高质量的数据，并且不需要这样的先验假设。具体来说，我们首先设计了一个吉布斯抽样增强贝叶斯推理算法估计工人的标签策略，从收集的标签在每一步。然后，我们提出了一种强化激励学习（RIL）方法，建立在上述估计的基础上，以揭示工人对不同报酬的反应。RIL动态确定付款，而无需访问任何地面实况标签。我们从理论上证明了RIL能够激励理性的工人提供高质量的标签。实证结果表明，我们的机制表现一贯良好的理性和非完全理性（自适应学习）的工人模型。此外，与现有的一次性机制相比，RIL提供的付款更稳健，差异更小。
2018-06-01 cs.GT cs.HC cs.LG
Multi-Task Diffusion Incentive Design for Mobile Crowdsourcing in Social Networks
针对大规模众包中工人池不足的问题，提出基于社交网络多任务扩散的激励机制MT-DM-L，利用MT-RR集合近似效用，在保证个体理性、真实性和计算效率的同时实现近似最优。\n
2023-03-22 cs.GT cs.SI
A Collaborative Mechanism for Crowdsourcing Prediction Problems
University of California at Berkeley（加州大学伯克利分校）
机器学习竞赛，如Netflix Prize，作为一种“众包”预测任务的方法，已经证明是相当成功的。但这些竞争也有一些弱点，特别是在它们为参与者创造的激励结构方面。我们提出了一种新的方法，称为众包学习机制，参与者合作“学习”一个给定的预测任务的假设。这种方法在很大程度上借鉴了预测市场的概念，即交易员对未来事件的可能性进行押注。在我们的框架中，该机制继续发布当前的假设，参与者可以通过对更新下注来修改此假设。关键的激励属性是，参与者将根据其更新在发布的测试集上提高性能的程度获得一定的收益。
2011-11-11 cs.GT cs.LG
Optimal Prizes for All-Pay Contests in Heterogeneous Crowdsourcing
激励措施是众包成功的关键，而众包在很大程度上取决于用户的参与程度。本文设计了一种激励机制，以激励异构人群的用户积极参与众包活动。我们投在一个新的，不对称的全付费竞赛模型与不完全信息的问题，其中任意n个用户施加不可撤销的努力，以竞争一个奖元组。奖励元组是奖励函数的数组，与传统竞赛通常使用的单个恒定奖励相反。我们设计了一个最优的比赛，（a）诱导最大的利润-总用户的努力减去奖金支付-为众包，和（b）确保用户严格有动机参与。与直觉和先前的相关工作形成鲜明对比的是，我们的机制诱导了一种平衡，在这种平衡中，异质用户的行为彼此独立，就好像他们处于同质环境中一样。这个新发现的属性，我们硬币作为战略自治（SA），是具有实际意义的：它（a）减少计算和存储的复杂性，由n倍的每个用户，（b）增加众包的收入，通过抵消努力保留效果存在于不对称的比赛，（c）中和（几乎普遍）的边际收益递减（DMR）的法律。通过广泛的数值案例研究，我们展示和审查我们的机制的优越的盈利能力，以及绘制洞察SA属性。
2018-12-12 cs.GT cs.MA
An Incentive Compatible Multi-Armed-Bandit Crowdsourcing Mechanism with Quality Assurance
考虑一个请求者，他希望将一系列相同的二进制标记任务众包给一个工人池，以便以成本最优的方式为每个任务实现有保证的准确性。工人是异质的，具有未知但固定的素质，他们的成本是私人的。问题是为每个任务选择一个最佳的工人子集，以便从选定的工人获得的结果保证目标精度水平。这个问题是一个具有挑战性的，即使在一个非战略性的设置，因为聚合标签的准确性取决于未知的质量。我们开发了一种新的多臂强盗（MAB）机制来解决这个问题。首先，我们提出了一个框架，保证精度Bandit（AAB），这导致了一个MAB算法，约束的信心界的非战略设置（CCB-NS）。我们推导出一个上界的时间步长的算法选择一个次优集，这取决于目标的准确性水平和真实的质量。当请求者不仅要了解工人的素质，还要了解他们的真实成本时，就会出现更具挑战性的情况。本文对CCB-NS算法进行了改进，得到了一种自适应的探测分离算法，我们称之为{ \em策略设置的约束置信界（CCB-S）}。CCB-S算法产生一个事后单调分配规则，从而可以转化为一个事后激励相容的事后个体理性机制，学习工人的素质，以成本最优的方式保证给定的目标精度水平。我们提供了一个下界的次数任何算法应该选择一个次优集，我们看到，下界匹配我们的上限到一个常数因子。我们提供的见解，这个框架的实际实施，通过一个说明性的例子，我们通过模拟显示我们的算法的有效性。
2015-06-17 cs.GT cs.LG
Social Sourcing: Incorporating Social Networks Into Crowdsourcing Contest Design
University of Electronic Science and Technology of China（电子科技大学）
在众包竞赛中，负责人将任务发布给一群人。人群中的人们互相竞争以赢得奖励。虽然在现实生活中，一个群体通常是网络化的，人们通过社会关系相互影响，现有的众包竞赛理论并不旨在回答人际关系如何影响人们的动机和行为，从而影响众包绩效。在这项工作中，我们新颖地把人们的社会关系作为一个关键因素，在建模和设计的代理人的激励众包比赛。我们建立了两种竞争机制，通过这种机制，委托人可以促使代理人邀请他们的邻居为任务做出贡献。第一种机制具有对称的贝叶斯纳什均衡，代理人的博弈非常简单，委托人很容易预测比赛的结果。第二种机制具有不对称的贝叶斯纳什均衡，并且代理人在均衡中的行为表现出巨大的多样性，这与他们的社会关系密切相关。对这些新机制的贝叶斯纳什均衡分析表明，除了代理人的内在能力外，他们之间的社会关系也在决策中起着核心作用。此外，我们设计了一个有效的算法来自动计算邀请众包竞赛的贝叶斯纳什均衡，并进一步将其应用于大型图数据集。理论和实证结果表明，新的邀请众包竞赛可以大大增加参与者的数量，从而校长可以获得显着更好的解决方案，而无需大量的广告支出。
2022-11-22 cs.AI cs.GT econ.TH
Crowdsourcing with Endogenous Entry
我们研究的机制设计，以激励高质量的众包环境中的战略代理，当进入是一个内生的，战略选择。对众包中的内生性入口建模很重要，因为做出任何质量的贡献都有非零成本，而不参与可以避免这种成本，事实上，许多基于众包内容的网站并没有充分的参与。我们使用的机制，单调的，基于排名的，奖励的模型，代理商战略性地参与和质量的选择，以捕捉各种各样的众包环境，从传统的众包比赛，以众包的内容，在网上问答论坛。我们首先明确地构建了这种单调的排名顺序机制的唯一的混合策略均衡，并使用这些参与概率和质量分布来解决两种奖励，在众包中出现的激励设计。我们首先表明，对于众包内容中的注意力奖励，当除了最后一个等级之外的每个等级的奖励都尽可能高时，整个均衡分布都会改善。特别地，当生产最低质量的内容具有低成本时，最优机制显示除了最差贡献之外的所有贡献。接下来，我们研究的设置，有一个总的奖励，可以任意分配给所有参与者，如在众包比赛。与外生进入不同的是，在这种情况下，参与者的预期数量可以通过补贴进入来增加，这可能会提高最佳贡献的预期质量。然而，我们发现，免费进入是由征税进入为主-使所有参赛者支付一小笔费用，这是回扣的赢家连同任何奖励已经分配，可以提高质量的最佳贡献超过赢家通吃的比赛没有税。
2012-02-22 cs.GT
When Congestion Games Meet Mobile Crowdsourcing: Selective Information Disclosure
在拥挤博弈中，用户做出短视的路径决策，造成彼此拥挤，而拥有充分信息的社会规划者则在信息方或支付方设计机制进行调节。然而，难以获得时变交通状况，并且新兴的众包平台（例如，Waze和Google地图）为在路径上旅行的移动用户提供了一种方便的方式，以了解和分享随着时间的推移的交通状况。当拥塞博弈遇到移动众包时，激励自私用户改变其短视的路由策略并达到最佳的开发-探索权衡是至关重要的。通过考虑一个简单但基本的并行路由网络，原子用户具有一条确定性路径和多条随机路径，证明了近视路由策略的无政府代价（PoA）大于$\frac{1}{1-ρ}$，它可以作为折扣因子$ρ\rightarrow1$任意大.为了弥补这种巨大的效率损失，我们提出了一个选择性的信息披露（SID）机制：我们只透露最新的流量信息，当用户打算过度探索随机路径，而隐藏这些信息时，他们想要探索。我们证明，我们的机制减少PoA小于$\frac{1}{1-\fracρ{2}}$。除了最坏情况下的性能，我们进一步研究我们的机制的平均情况下的性能，通过使用广泛的模拟。
2023-02-12 cs.GT
Peer Neighborhood Mechanisms: A Framework for Mechanism Generalization
针对现有同伴预测激励机制难适配任意分布的问题，提出基于邻域匹配的Peer Neighborhood Mechanisms框架，给出信念更新条件以保证激励相容性，拓展了众包激励机制的适用范围。
2023-12-19 cs.GT
Strategic Information Revelation in Crowdsourcing Systems Without Verification
我们研究了一个众包问题，该平台旨在激励分布式工作人员提供高质量和真实的解决方案，而无需验证解决方案。虽然大多数先前的工作假设，平台和工人有对称的信息，我们研究了一个不对称的信息场景中的平台具有信息优势。具体而言，平台知道关于工人平均解决方案准确性的更多信息，并且可以策略性地向工人揭示这些信息。工人将利用宣布的信息，以确定他们获得奖励的可能性，如果在任务上付出努力。我们研究了两种类型的工人，天真的工人完全信任的公告，和战略工人更新之前的信念的基础上宣布。对于天真的工人，我们表明，平台应该总是宣布一个高的平均准确率，以最大限度地提高其回报。然而，这对战略工作者来说并不总是最佳的，因为它可能会降低平台公告的可信度，从而降低平台的回报。有趣的是，当面对战略工作者时，平台甚至可能有动机宣布低于实际值的平均准确率。另一个违反直觉的结果是，平台的回报可能会减少高精度工人的数量。
2021-04-09 cs.GT
An Efficient and Truthful Pricing Mechanism for Team Formation in Crowdsourcing Markets
在众包市场中，请求者希望组建一个工作团队来执行需要各种技能的复杂任务。候选工人宣传他们的认证技能，并为他们的参与出价。我们设计了四种激励机制来选择工人组成一个有效的团队（可以完成任务），并确定每个工人的报酬。我们研究的盈利能力，个人的理性，计算效率和真实性的四个机制。我们的分析表明，TruTeam，四个机制之一，是优于其他，特别是由于其计算效率和真实性。我们的大量模拟证实了分析结果，并证明TruTeam是众包市场中团队组建的高效且真实的定价机制。
2018-12-12 cs.GT cs.HC
Crowdsourcing with Tullock contests: A new perspective
众包的激励机制在全付拍卖的框架下得到了广泛的研究。沿着一条不同的路线，本文提出了使用塔洛克竞赛作为一种替代工具，设计激励机制的众包。我们受到塔洛克竞赛在其他领域吸引用户进入（但不一定是更高的收入）的有益性的启发。在本文中，我们探索了一个新的维度，在最佳的塔洛克竞赛设计，取代比赛奖金-这是固定在传统的塔洛克竞赛-与奖励函数，这是依赖于（未知）赢家的贡献，以最大限度地提高众包的效用。我们表明，这种方法导致有吸引力的实际优势：（a）它非常适合在完全分布式的网络代理和智能手机应用程序的快速原型设计;（b）它克服了参与者的对抗越来越多的竞争对手所造成的抑制。此外，我们优化传统的，固定奖塔洛克竞赛，以构建最优越的基准比较对我们的机制。通过广泛的评估，我们表明，我们的机制显着优于最佳基准，超过三倍的众包的效用暨利润和高达九倍的球员的社会福利。
2017-01-05 cs.GT cs.HC cs.MA
Task Allocation and Mobile Base Station Deployment in Wireless Powered Spatial Crowdsourcing
无线功率传输（WPT）是延长传感器和通信设备的寿命的有前景的技术，即，通过提供持续和具有成本效益的能源供应，帮助工人完成众包任务。在本文中，我们提出了一个无线供电的空间众包（SC）框架，它包括两个相互依赖的阶段：任务分配阶段和数据众包阶段。在任务分配阶段，我们提出了一个基于Stackelberg博弈的SC平台的机制，有效地分配空间任务和无线充电功率给每个工人。在数据众包阶段，工作人员可能有动机误报其真实工作位置以提高其自身效用，从而操纵SC平台。为了解决这个问题，我们提出了一个策略的部署机制，SC平台部署其移动基站。我们应用Moulin的广义中值机制，并分析最坏情况下的性能，最大限度地提高SC平台的效用。最后，数值实验表明，所提出的框架在分配任务和充电功率的工人，同时避免不诚实的工人的操纵的有效性。
2019-07-21 cs.GT cs.NI
Mechanism Design for Wireless Powered Spatial Crowdsourcing Networks
无线功率传输（WPT）是延长传感器和通信设备的寿命的有前景的技术，即，通过提供持续和具有成本效益的能源供应，帮助工人完成众包任务。在本文中，我们提出了一个无线供电的空间众包框架，它包括两个相互依赖的阶段：任务分配阶段和数据众包阶段。在任务分配阶段，我们提出了一个基于Stackelberg博弈的空间众包平台的机制，以有效地分配空间任务和无线充电功率给每个工人。在数据众包阶段，工作者可能有动机误报其真实工作位置以提高其效用，这对空间众包平台造成不利影响。为了解决这个问题，我们提出了三种用于空间众包平台放置移动基站的防策略部署机制，例如，车辆或机器人，其负责传输无线电力并收集众包数据。作为基准，我们首先应用经典的中值机制，并评估其最坏情况下的性能。然后，我们设计了一个传统的防策略部署机制，以提高空间众包平台的预期效用的条件下，工人的位置遵循一个已知的地理分布。对于一个更一般的情况下，只有历史位置数据可用，我们提出了一个基于深度学习的防策略部署机制，以最大限度地提高空间众包平台的效用。基于合成数据集和真实数据集的大量实验结果表明，所提出的框架在分配任务和向工人充电方面是有效的，同时避免了不诚实的工人的操纵。
2020-03-27 cs.GT cs.NI eess.SP
A VCG-based Fair Incentive Mechanism for Federated Learning
针对联邦学习等 CVGP 博弈中的逆向拍卖问题，提出 PVCG 激励机制及 RIM 计算方法，证明其同时满足真实性、帕累托效率、个体理性和弱预算平衡。
2024-06-17 cs.GT
Information Elicitation from Decentralized Crowd Without Verification
本文研究无验证的去中心化众包信息 elicitation，建模为两阶段博弈，分析三种激励分配机制，发现 SV 机制在价值评估异构时能实现不低于其他机制的准确性和社会福利。
2023-10-18 cs.GT
Target Tracking via Crowdsourcing: A Mechanism Design Approach
Department of Electrical Engineering and Computer Science, Syracuse University（雪城大学电气与计算机工程学院）
本文提出一种基于众包的框架，通过设计在无线传感器网络中的最优拍卖机制，实现我的opic目标跟踪。该方法通过拍卖征集自利传感器的投标，保证传感器的理性与诚实，最终将问题转化为多选背包问题并用动态规划解决。
2014-05-21 cs.GT cs.SY eess.SY
When Mobile Crowdsourcing Meets Queueing Systems: Human-in-the-Loop Learning
The Ohio State University（俄亥俄州立大学）；Singapore University of Technology and Design（新加坡科技设计大学）
针对服务系统中自私顾客因拥堵信息过时而过度探索导致效率损失的问题，提出动态侧支付机制，协调拥堵管理与信息获取，将无政府状态价格控制在2以下。
2026-06-18 cs.GT
Incentivizing High Quality Crowdwork
我们研究了财务激励对众包工作质量的因果影响。我们专注于基于绩效的薪酬（PBPs），即向生产高质量工作的工人发放奖金。我们在流行的众包平台Amazon Mechanical Turk上设计和运行随机行为实验，目的是了解PBPs何时、何地以及为什么会有帮助，确定支付的属性、支付结构以及使其最有效的任务本身。我们提供了PBPs确实提高质量的任务的例子。对于这些任务，PBPs的有效性对获得奖金所需的质量阈值并不太敏感，而奖金的大小必须足够大，以使奖励显着。我们还提出了PBPs不能提高质量的任务的例子。我们的研究结果表明，PBPs提高质量，任务必须努力响应：任务必须允许工人通过付出更多的努力来生产更高质量的工作。我们还给出了一个简单的方法来确定一个任务是否是努力响应的先验。此外，我们的实验表明，土耳其机械公司的所有报酬在某种程度上都是基于绩效的，因为工人们认为，如果他们的绩效足够差，他们的工作可能会被拒绝。最后，我们提出了一个新的工人行为模型，扩展了标准的委托代理模型从经济学，包括工人的主观信念，他的可能性被支付，并表明，这个模型的预测是符合我们的实验结果。该模型可作为众包市场激励机制理论研究的基础。
2015-03-19 cs.GT
Algorithmic Contract Design for Crowdsourced Ranking
本文基于契约理论设计众包排序激励机制，通过抽查代理人的两两比较并按准确性付酬，仅需核验 O(log s) 次比较且可证明提高委托人总效用。
2024-01-25 cs.GT
A Truthful Mechanism with Biparameter Learning for Online Crowdsourcing
Indian Institute of Science（印度科学学院）
我们研究的问题分配可分割的工作，到达网上，工人在众包设置，其中涉及学习两个参数的战略行为的工人。每个作业被分成一定数量的任务，然后分配给工人。每个到达的工作必须在截止日期内完成，每个任务必须完成满足失败概率的上限。工作人口是同质的，而工人在成本、完成时间和失败时间方面是异质的。每个工人的工作完成时间和故障时间是随机的，具有固定但未知的手段。请求者面临的挑战是同时学习每个（战略行为）工人的两个独立的参数，即平均作业完成时间和平均故障时间。工作者的失败时间取决于工作者处理任务的持续时间。假设非战略工人开始，我们解决这个双参数学习问题，应用鲁棒UCB算法。然后，我们非平凡地将该算法扩展到工人对其成本具有战略性的设置。我们提出的机制是优势策略、激励相容和事后个体理性的，具有渐近最优的后悔性能。
2016-02-12 cs.AI cs.GT cs.HC
Adversarial Task Allocation
向工人分配任务的问题具有长期的根本重要性。这方面的例子包括在分布式计算环境中将计算任务分配给节点的经典问题，以及最近的众包问题，其中大量任务被安排由人类工作者完成。对这一问题的广泛研究通常涉及不确定性和众包中的激励等重要问题。然而，对抗性篡改任务分配过程的问题并没有得到足够的关注。我们关注的是任务分配中的一个特定的对抗性设置，攻击者可能会针对特定的工人，以防止分配给这个工人的任务被完成。我们考虑两种攻击模型：一种是对手只观察分配策略（可能是随机的），另一种是攻击者观察实际的分配决策。对于所有任务都是同质的情况下，我们提供多项式时间算法的两个设置。当任务是异构的，但是，我们显示的对抗分配问题是NP-难的，并提出了解决它的算法时，防守者被限制为每个任务只分配一个工人。令人惊讶的是，我们的实验表明，这两种攻击模型之间的差异是最小的：确定性分配可以实现几乎一样多的效用随机。
2017-09-01 cs.GT
Parametric Prediction from Parametric Agents
The Chinese University of Hong Kong（香港中文大学）；UC Berkeley（加州大学伯克利分校）
我们考虑一个问题的预测的基础上引起的意见，从异质理性代理的私人信息。以最小的成本做出准确的预测需要激励机制和预测算法的联合设计。这样的问题存在于统计学习理论和博弈论的结合点，并出现在许多领域，如消费者调查和移动众包。为了引出异构代理的私人信息和激励代理与不同的能力，以采取行动，在委托人的最佳利益，我们设计了一个最佳的联合激励机制和预测算法称为COPE（成本和预测启发），其中的分析提供了一些有价值的工程见解。首先，当代理人所产生的成本是线性的，在所施加的努力，COPE对应于一个“人群竞争”的机制，其中的主要只雇用代理人的最高能力。第二，当成本是二次的，COPE对应于一个“众包”机制，采用多个代理人在同一时间具有不同的能力。数值模拟结果表明，COPE提高了校长的利润和网络利润显着（大于30%，在我们的模拟），相比那些机制，假设所有代理人都有相同的能力。
2016-02-24 cs.AI cs.GT
On Incentivizing Social Information Sharing Through Routing Games
本文将众包社交信息共享建模为带正向外部性的非原子多路径路由博弈，提出非货币机制 AIR 和货币机制 ASP，分别实现 PoA=1/4 和 1/2，有效缓解自私路由导致的效率损失并保障理想属性。
2025-05-30 cs.GT cs.MA
