Fairness and Social Welfare in Incentivizing Participatory Sensing
近年来，作为一种很有前途的大规模数据汇集方法出现了。然而，如果不鼓励用户定期提供高质量的数据，这种方法就不太可能长期可行。在本文中，我们链接激励用户的需求，消费引人注目的服务，作为一种方法的补充，传统的信用或声誉为基础的方法。在此基础上，设计了两种激励方案：需求公平激励（IDF）和迭代灌箱激励（ITF），分别以公平最大化和社会福利最大化为目标。我们的研究表明，IDF计划是最大-最小公平，可以得分接近1的Jain的公平指数，而ITF计划最大化社会福利，并实现了唯一的纳什均衡，这也是帕累托和全局最优。我们采用了博弈论的方法来得出最佳的服务需求。此外，为了解决实际问题，我们使用随机规划技术来处理在现实生活中经常遇到的不确定性。
2014-11-21 cs.CY cs.GT cs.HC
Joint Participation Incentive and Network Pricing Design for Federated Learning
针对联邦学习中用户参与激励与网络通信定价的耦合问题，本文在纵向与横向交互结构下解析设计最优契约和定价机制，证明纵向结构更优，并使服务器成本最高降低24.87%。
2023-08-17 cs.GT cs.NI
A Participatory Budgeting based Truthful Budget-Limited Incentive Mechanism for Time-Constrained Tasks in Crowdsensing Systems
针对众感知系统中时间约束任务的激励问题，提出基于参与式预算的两层真实预算受限机制，通过居民投票筛选获资助任务方、时隙调度与执行方选择满足预算约束，经理论和仿真验证具备高效性与合理性。
2024-05-16 cs.GT
Incentive-rewarding mechanisms to stimulate participation in heterogeneous DTNs
延迟容忍网络（DTN）依赖于网络中节点的协作来将消息从其源转发到其目的地。以往对DTN的研究大多集中在假设每个中继节点都愿意参与转发过程的情况下，设计路由方案。然而，消息的传递会产生能量和存储器成本。在本文中，我们处理的问题，如何激励移动节点参与中继消息使用奖励机制。我们认为异构中继节点的成本参与转发过程中的变化作为一个功能的移动模式的中继。我们表明，在相当弱的假设下的流动性模式，预期的回报源支付保持不变，无论它传达给中继的信息，只要信息的类型不随时间动态变化。我们还描述了生存时间（TTL）计数器对交付概率和内存使用的影响。使用模拟的基础上合成的流动性模型和真实的流动性痕迹，我们进行了一些测试，表现出良好的理论和模拟结果之间的一致性。
2017-04-11 cs.GT cs.NI
Participation Incentives in Approval-Based Committee Elections
本文首次研究基于认可的委员会（ABC）投票规则的参与激励属性，证明ABC评分规则满足群体参与性、多数序贯规则不满足参与性，并给出序贯规则满足参与性的三类规避路径。
2023-12-14 cs.GT econ.TH
Long-Term Profit-Maximizing Incentive for Crowd Sensing in Mobile Social Networks
人群感知是一种新的模式，它利用配备传感器的移动设备提供感知服务，如法医分析，记录公共空间，以及协作构建统计模型。要达致良好的服务质素，用户的广泛参与是不可或缺的。目前，大多数现有的机制集中在保证良好的服务质量的基础上瞬时广泛的用户参与的人群感知应用。很少有人关注一直致力于最大限度地提高长期服务质量的人群传感应用，由于他们的不对称的利益，偏好，自私的行为，等，为了填补这些空白，在本文中，我们推导出封闭的表达的基础上，在经济学的垄断聚集的边际感知数据质量。此外，我们还设计了基于边际质量的长期人群感知应用激励机制，不仅通过最大化移动用户的预期总利润来提高用户的广泛参与，而且通过应用边际质量来激励移动用户生产高质量的内容。最后，仿真结果表明，我们的机制优于现有的解决方案。
2015-05-25 cs.GT cs.NI cs.SI
Incentive Mechanism Design for Unbiased Federated Learning with Randomized Client Participation
Duke Kunshan University（昆山杜克大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Yale University（耶鲁大学）
本文针对联邦学习中因预算和异构性导致的固定子集参与偏差问题，提出基于随机客户端参与的博弈论激励机制，通过定制定价和收敛界分析实现无偏高性能模型，并验证其能同时提升服务器模型性能和客户端收益。
2023-04-17 cs.AI cs.GT cs.LG
A Stackelberg Game Approach Towards Socially-Aware Incentive Mechanisms for Mobile Crowdsensing (Online report)
移动人群传感已显示出通过将传感任务分配给无处不在的移动用户来解决大规模数据传感问题的巨大潜力。移动用户如果能够获得满意的奖励，则将参与众测平台。在本文中，为了有效和高效地招募足够数量的移动用户，即，参与者，我们研究了一个最佳的激励机制的众感服务提供商。我们采用两阶段的Stackelberg博弈分析的移动用户的参与水平和最优的激励机制的众测服务提供商使用逆向归纳法。为了激励参与者，通过考虑潜在的移动社交领域的社会网络效应来设计激励。例如，在基于众测的道路交通信息共享应用中，如果更多的用户加入并共享他们的道路信息，则用户可以获得更好且准确的交通报告。我们推导了歧视性激励和统一激励机制的解析表达式。为了适应实际场景，我们进一步制定了贝叶斯Stackelberg游戏与不完全信息分析之间的互动crowdsensing服务提供商和移动用户，其中的社会结构信息（社会网络效应）是不确定的。通过识别移动用户的最佳响应策略，验证了贝叶斯Stackelberg均衡的存在性和唯一性。数值结果证实了这样一个事实，即网络效应极大地刺激更高的移动参与水平和更大的收入的众测服务提供商。此外，社会结构信息有助于众测服务提供商实现更大的收益。
2018-10-31 cs.GT cs.NI
Behavior-Based online Incentive Mechanism for Crowd Sensing with Budget Constraints
人群感知是一种新的模式，它利用无处不在的配备传感器的移动设备来收集数据。为了实现良好的人群感知质量，激励机制对于吸引更多的参与者是必不可少的。现有的机制大多关注感知前的期望效用，忽略了低质量解决方案和隐私泄露的风险。Vickrey-Clarke-Groves（VCG）机制及其变体等传统激励机制在此不适用。针对这些挑战，本文提出了一种基于行为的激励机制，通过在移动社交网络（MSNs）中应用顺序全付费拍卖机制，在预算约束条件下，不仅考虑用户广泛参与的影响，而且最大化基于上下文的感知内容提交给人群感知平台，用户按顺序到达。通过大量的模拟，结果表明，我们提出的框架中的激励机制优于现有的最佳解决方案。
2014-04-30 cs.GT cs.NI
Incentive Analysis for Agent Participation in Federated Learning
本文将联邦学习参与决策建模为阶段博弈与重复博弈，揭示数据异质性对 Nash 均衡的影响，并提出可有限时间收敛的隐私保护短视策略。
2025-03-12 cs.GT cs.SY eess.SY
Incentive Compatibility, Scalability and Privacy in real time Demand Response
可再生能源在现代智能电网中的高度渗透需要开发需求响应（DR）机制以及针对新兴灵活性市场的相应创新服务。从博弈论的角度来看，这种DR机制的基本关键性能指标（KPI）是在社会福利、实用性和激励保证方面的效率，在某种意义上，使每个用户根据他/她的偏好如实行事成为主导策略，不留下作弊的余地。在本文中，我们提出了一个DR架构，包括一个基于Ausubel成交拍卖和通信协议的机制，可证明保证效率和真实的用户参与。通过简单的查询增强了参与的实用性/容易性，而通过分布式实现解决了用户隐私问题。仿真结果证实了所需的属性，同时也表明，在参与者不是特别灵活的市场中，真实性属性变得更加重要
2019-02-25 cs.GT
An Incentive Mechanism for Periodical Mobile Crowdsensing from a Frugality Perspective
移动人群感知（MCS）由于其灵活和普遍的感知能力，近年来得到了广泛的研究。虽然已经建立了许多激励机制来吸引广泛的用户参与，但这些机制大多只关注独立任务场景，其中感知任务彼此独立。相反，我们专注于一个周期性的任务的情况下，每个用户定期参与相同类型的传感任务。在本文中，我们考虑了长期用户参与激励一般期刊MCS系统从节俭支付的角度。我们探讨的问题下半在线（期间内的互动过程是同步的，而期间间的互动过程是顺序和异步在每个时期）和在线用户到达模型（前两个互动过程是顺序和异步）。特别是，我们首先提出了一个半在线节俭的激励机制，通过引入李雅普诺夫方法。此外，我们还将其扩展到一个在线的节俭激励机制，它满足恒定的节俭。此外，这两种机制还能满足计算效率、渐近最优性、个体理性和真实性等要求。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。
2015-05-14 cs.GT
Exploration and Incentivizing Participation in Randomized Trials
National University of Singapore（新加坡国立大学）；Microsoft Research（微软研究院）；Northwestern University（西北大学）
本文研究了随机试验中探索与利用的权衡问题，提出了一种激励相容机制以提高参与度，并分析了不同代理类型的模型变体。
2026-01-10 cs.GT econ.TH
Dynamic Pooling and Regional Participation in Deceased-Donor Organ Allocation
Graduate School of Economics, the University of Tokyo（东京大学经济学研究科）
本文研究死亡捐献者器官分配中从分散等待名单转向汇集名单的帕累托改进，提出动态风险汇集为主要来源，并设计多项式时间的约束帕累托前沿搜索算法，在保持区域参与激励的同时实现全局效率。
2026-11-04 cs.GT econ.TH
Truth-Revealing Participatory Budgeting
Rutgers University（罗格斯大学）；Northwestern University（西北大学）
本文从认知角度研究参与式预算分配，探讨在不同项目质量下，如何通过投票机制选出高质量项目集，并发现当项目成本较小时，常见规则能更准确识别最佳方案。
2026-01-27 cs.GT
Calibrating Attribution Proxies for Reward Allocation in Participatory Weather Sensing
University of Zurich（苏黎世大学）；WiHi
本文提出利用可微分AI天气模型校准奖励分配中的归因代理，评估其在参与性天气传感中的有效性与可靠性。
2026-04-30 cs.CY cs.GT cs.LG
LEPA: Incentivizing Long-term Privacy-preserving Data Aggregation in Crowdsensing
在本文中，我们研究了实时数据聚合的激励机制设计，其中持有大量的人群感知应用。尽管对静态激励机制进行了广泛的研究，但由于无法维持PU的长期参与，因此这些机制都不适用于实时数据汇总。我们强调，要维持执行局的长期参与，保护他们的隐私以及为他们提供理想的累积补偿至关重要。因此，在本文中，我们提出了LEPA，一个有效的激励机制，以刺激长期参与实时数据聚合。具体而言，我们允许PU通过报告噪声数据来保护其隐私，通过适当的隐私和准确性措施来量化其对聚合准确性的影响。然后，我们提供了一个框架，共同优化的激励计划在不同的时隙，以确保理想的累积补偿PU，从而防止PU中途离开系统。考虑到PU的战略行为和组合性质的传感任务，我们提出了一个计算效率的在线拍卖与接近最优的性能存在的NP-困难的赢家用户选择。我们进一步表明，建议的在线拍卖满足理想的真实性和个人理性的属性。理论分析和大量的仿真验证了LEPA的性能。
2017-12-23 cs.GT
FedToken: Tokenized Incentives for Data Contribution in Federated Learning
Aalborg University（奥尔堡大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61所）
补偿联邦学习（FL）模式分散培训所涉成本的激励措施是客户长期参与的关键激励措施。然而，说服客户参与FL的质量是具有挑战性的，因为缺乏：（i）关于客户数据质量和属性的完整信息;（ii）客户数据贡献的价值;以及（iii）值得信赖的货币激励机制。这往往导致培训和沟通效率低下。虽然有几项工作侧重于战略激励设计和客户选择，以克服这一问题，有一个重大的知识差距方面的整体设计，适合预见的数字经济，包括Web 3.0，同时满足学习目标。为了解决这一差距，我们提出了一个基于贡献的令牌化激励计划，即\texttt{FedToken}，由区块链技术支持，确保令牌在客户端之间的公平分配，与模型训练期间对其数据的估值相对应。利用基于Shapley的设计方案，我们首先在模型聚合过程中近似本地模型的贡献，然后策略性地安排客户端降低通信轮次，以实现收敛和锚定方式，从而在受限的货币预算下分配\emph{affordable}令牌。大量的模拟实验证明了我们所提出的方法的有效性。
2022-11-03 cs.DC cs.GT cs.LG
Service-Constraint Based Truthful Incentive Mechanisms for Crowd Sensing
人群感知是一种新的模式，它利用无处不在的智能手机来有效地收集和上传传感数据，从而实现许多新颖的应用。为了实现良好的服务质量的人群感应应用，激励机制是必要的，以吸引更多的用户参与。大多数现有机制仅适用于平台（人群感测组织者）具有预算限制的非约束场景。相反，我们关注的是平台有服务限制的不同场景。基于离线和在线拍卖模型，我们考虑了一个一般性的问题：用户提交他们的私人档案的平台，和平台的目标是选择一个子集的用户在指定的截止日期之前，以最小化总支付，而特定的服务可以完成。特别地，针对选择用户的价值函数是单调子模的情况，设计了离线和在线服务约束激励机制。这些机制分别是个体理性、任务可行性、计算效率、真实性、消费者主权、持续节俭，在实践中也表现良好。最后，我们使用大量的模拟来证明我们的机制的理论特性。
2014-12-24 cs.GT cs.NI
Incentive Mechanism Design for Distributed Coded Machine Learning
分布式机器学习平台需要招募多个异构工作节点来同时完成计算。因此，由于分散的工作者，整体性能可能会下降。通过在计算中引入冗余，编码的机器学习可以通过通过完成计算的第一个$k$（在总$n$中）工作者恢复最终计算结果来有效地提高运行时性能。虽然现有的研究集中在设计有效的编码方案，设计适当的激励措施，以鼓励工人参与的问题仍然是探讨不足。本文研究了平台的最优激励机制，激励适当的工人参与编码机器学习，尽管异构工人的计算性能和成本的不完全信息。这项工作的一个关键贡献是将工人的多维异质性总结为一维度量，该度量指导平台在具有线性计算复杂度的不完全信息下有效地选择工人。此外，我们还证明了如果采用广泛采用的MDS（Maximum Distance Separable）码进行数据编码，则最佳恢复门限$k$与译码器数目$n$成线性关系。我们还表明，该平台的成本增加，由于不完全信息消失时，工人数量足够大，但它不会单调减少工人数量。
2020-12-16 cs.GT
CENTURION: Incentivizing Multi-Requester Mobile Crowd Sensing
最近能力越来越强的移动设备的激增已经引起了移动人群感测（MCS）系统，其将感测数据的收集外包给携带各种移动设备的参与工作人员的人群。研究界认识到有效激励参与这类系统的极端重要性，提出了各种各样的激励机制。然而，不同于大多数这些现有的机制，假设只存在一个数据请求者，我们认为MCS系统与多个数据请求者，这实际上是更常见的实践。具体而言，我们的激励机制是基于双拍卖，并能够刺激数据请求者和工人的参与。在实际实践中，激励机制通常不是一个孤立的模块，而是与聚合工人数据的数据聚合机制交互。出于这个原因，我们提出了CENTURION，一种新的多请求者MCS系统的集成框架，包括上述的激励和数据聚合机制。CENTURION的激励机制满足真实性、个人理性、计算效率以及保证非负社会福利，其数据汇总机制产生高度准确的汇总结果。通过理论分析和大量的仿真验证了CENTURION的理想性能。
2017-01-06 cs.GT
A Socially-Aware Incentive Mechanism for Mobile Crowdsensing Service Market
移动群体感知已经显示出巨大的潜力，以解决大规模的问题，通过分配传感任务，无处不在的移动用户（MU）。如果他们能获得满意的奖励，他们将参加一个众测平台。在本文中，为了有效和高效地招募足够的MU，即，的参与者，我们研究了最优的奖励机制的垄断Crowdsensing服务提供商（CSP）。我们将奖励和参与建模为两阶段博弈，并利用逆向归纳法分析了MU的参与水平和CSP的最优奖励机制。同时，奖励的设计考虑到移动社交网络中潜在的社交网络效应，以激励参与者。也就是说，一个MU将从当地邻居在社交网络中提供或分享的信息中获得额外的好处。在完全信息条件下，给出了区别性报酬和一致性报酬的解析表达式，以及不完全信息条件下报酬激励的近似表达式。性能评估表明，网络效应极大地刺激了CSP的更高的移动参与水平和更大的收入。此外，歧视性奖励使CSP能够从这个Crowdsensing服务市场中获得更大的盈余。
2018-08-13 cs.GT
Optimal Energy-Aware Service Management in Future Networks with a Gamified Incentives Mechanism
Athens University of Economics and Business（雅典大学经济与商业学院）
本文提出一种基于游戏化激励机制的未来网络能耗服务管理方法，通过优化激励参数和博弈策略，实现节能与用户体验的平衡。
2026-01-29 cs.ET cs.GT
Incentive Schemes for Mobile Peer-to-Peer Systems and Free Riding Problem: A Survey
移动对等网络是相当普遍和流行的现在天由于出现的业务场景，所有的服务都去移动像是否找到好的餐馆，健康饮食书籍交朋友，求职，真实状态信息或出租车共享等作为移动用户日益增加，对等网络变得更大和复杂。与客户-服务器的系统不同，对等网络中的资源共享是在相互同意和商定的策略的基础上进行的，没有中央权威机构和控制实体。P2P网络的激励计划旨在鼓励参与并遵守商定的政策。仅仅基于用户利他行为的P2P服务正面临着类似搭便车或公地悲剧的严峻挑战。搭便车者是指消耗系统带宽（执行下载）但不表现出利他行为（拒绝上传）并充当P2P网络寄生虫的用户。为了解决搭便车问题，研究人员提出了许多激励方案。在本文中，我们将调查不同的激励计划，他们的架构保持关注他们如何处理现代P2P网络的挑战。
2016-06-23 cs.DC cs.GT cs.NI
Energy Minimization for Participatory Federated Learning in IoT Analyzed via Game Theory
University of Padova（帕多瓦大学）；Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
针对物联网中参与式联邦学习，提出基于博弈论的分布式能量最小化方法，理论结合实验验证其有效性，并指出高无政府状态代价需激励机
2025-03-27 cs.GT cs.LG cs.MA
A Tale of Two Mechanisms: Incentivizing Investments in Security Games
在相互依赖的用户系统中，实体的安全不仅受到该用户在安全措施方面的投资的影响，而且还受到其他用户（一些）安全决策的正外部性的影响。因此，在这样的系统中的安全性的提供被建模为公共物品提供问题，并被称为安全博弈。在本文中，我们比较了两个著名的激励机制，在这种情况下，激励用户之间的最佳安全投资，即利润和外部性机制。税收机制中的税收旨在确保用户的自愿参与，而外部性机制中的税收旨在维持预算平衡。我们首先展示了更普遍的结果，即由于安全的非排他性，没有机制可以激励社会最优的投资组合，同时确保自愿参与，并保持平衡的预算的所有实例的安全游戏。为了进一步说明，我们应用的加权总努力相互依赖模型的特殊情况下，和识别一些不同的用户之间的相互依赖的影响，在预算赤字的加权机制，以及参与激励的外部性机制。
2015-03-25 cs.GT
JSAM: Privacy Straggler-Resilient Joint Client Selection and Incentive Mechanism Design in Differentially Private Federated Learning
Department of Information Engineering, The Chinese University of Hong Kong（信息工程系，香港中文大学）；School of Science and Engineering, Shenzhen Institute of Artificial Intelligence and Robotics for Society（科学与工程学院，深圳人工智能与机器人研究院）；The Chinese University of Hong Kong（香港中文大学）
JSAM通过联合优化客户端选择与隐私补偿，提升差分隐私联邦学习的训练效果和效率，实现隐私保护与参与激励的平衡。
2026-02-25 cs.DC cs.GT cs.LG
Blockchain Monetary Policy, Strategic Participation, and the Dynamics of Decentralization
University of Salerno（萨莱诺大学）；IOG（输入输出集团）；Cardano Foundation（卡达诺基金会）；King’s College London（伦敦国王学院）
本文提出了一种算法货币政策框架，用于在区块链参与博弈中平衡短期性能激励与长期去中心化目标，通过分析不同参与者行为下的均衡，探讨了虚拟质押对长期影响的关键作用。
2026-10-22 cs.GT
Game Theoretic Analysis of Tree Based Referrals for Crowd Sensing Social Systems with Passive Rewards
群体感知社会系统依赖于大量个体的参与。由于人类天生具有战略性，因此需要有效的激励机制来鼓励参与。一种流行的招募机制是通过推荐和被动激励，如2009年DARPA网络挑战赛和多级营销计划中获胜团队使用的几何激励机制。这种招募计划对被招募的战略人员所付出的努力的影响尚不清楚。本文试图填补这一空白。给定一棵推荐树和直接和被动的奖励机制，我们制定了一个网络游戏，代理竞争完成人群感知任务。我们的特点的纳什均衡的努力，并得出封闭形式的表达式。我们发现搭便车行为的节点谁获得大量的被动奖励。这项工作对设计有效的众包任务招聘机制具有影响。例如，使用几何激励机制来招募大量个人可能不会导致相称的努力，因为搭便车。
2016-01-27 cs.GT cs.MA cs.SI
Mechanism Design in Large Games: Incentives and Privacy
我们研究了在不完全信息的情况下实现完全信息博弈均衡的问题，并使用“推荐机制”来解决这个问题。“推荐机制是一种没有强制执行结果或强迫参与的权力的机制，它只有权在自愿参与的基础上建议结果。我们发现，尽管有这些限制，推荐机制可以实现均衡的完全信息游戏的设置不完全信息的条件下，游戏是大的-即有大量的球员，和任何球员的行动影响任何其他的收益最多一个小数额。我们的结果来自于差分隐私的一个新的应用。我们表明，任何算法，计算一个完整的信息博弈的相关均衡，同时满足一个变种的差分隐私-我们称之为联合差分隐私-可以用作推荐机制，同时满足我们所需的激励性能。我们的主要技术成果是一个算法，用于计算一个大型游戏的相关均衡，同时满足联合差分隐私。虽然我们的推荐机制的设计，以满足博弈论的属性，我们的解决方案最终满足一个强大的隐私属性以及。没有一组玩家可以从机制的建议中了解到组外任何玩家的类型，即使这些玩家以任意的方式勾结。因此，我们的算法能够实现完全信息博弈的均衡，而不透露有关实现类型的信息。
2015-12-10 cs.CR cs.DS cs.GT
Incentive Mechanism for Uncertain Tasks under Differential Privacy
针对移动群智感知中现有激励机制仅适配静态任务、未保护工人出价隐私的问题，提出结合不确定性与隐藏出价的HERALD*机制，满足真实性、差分隐私等多项关键要求，且经评估验证了相关特性。
2024-03-06 cs.CR cs.GT
A Bayesian Incentive Mechanism for Poison-Resilient Federated Learning
1 Department of Multidisciplinary Engineering, Texas A\&M University, College Station, TX, USA；2 Department of Statistics；3 Department of Computer Engineering, KNUST, Kumasi, Ghana；4 Department of Computer Science, George Washington University, Washington, DC, USA；5 Department of Engineering Technology；Industrial Distribution, Texas A\&M University, College Station, TX, USA
本文提出一种轻量级贝叶斯激励机制，通过将联邦学习每轮训练建模为不完全信息博弈，利用私有验证集评估更新质量并实施支付，使投毒成为经济劣策略，在半数恶意客户端下仍保持高准确率。
2025-07-16 cs.CR cs.GT cs.LG
