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
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
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
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
Sustainable Incentives for Mobile Crowdsensing: Auctions, Lotteries, and Trust and Reputation Systems
适当的激励机制对于移动众测系统激励人们积极持续地参与至关重要。本文阐述了六种激励机制的设计原则，特别强调了可持续性问题。我们涵盖了三个主要类别的激励机制：拍卖，彩票，信任和声誉系统，以及其他三个有前途的潜力框架：讨价还价的游戏，合同理论和市场驱动的机制。
2017-02-24 cs.GT cs.HC cs.SI
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
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
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
Incentivizing the Workers for Truth Discovery in Crowdsourcing with Copiers
众包已经成为执行大规模任务的有效范例。真相发现和激励机制是众包系统的基础。人们已经提出了许多用于众包的真相发现方法和激励机制。然而，他们中的大多数不能适用于处理与复印机众包。为了解决这个问题，我们制定的问题，最大化的社会福利，使所有的任务可以完成的真理发现的信心最小。我们设计了一个由真相发现阶段和反向拍卖阶段组成的激励机制。在真值发现阶段，我们根据工作者的依赖性和准确性来估计每个任务的真值。在逆向拍卖阶段，我们设计了一个贪心算法来选择获胜者并确定支付额。通过严格的理论分析和大量的模拟，我们证明了所提出的机制实现计算效率，个人的理性，真实性，并保证近似。此外，当众包系统中存在复制者时，我们的真相发现方法在精确度方面显示出显著的优势。
2019-01-12 cs.GT
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
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
Deep Bayesian Trust : A Dominant and Fair Incentive Mechanism for Crowd
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
一个重要的博弈论激励机制，从人群中引出的努力是基于同行的机制，其中工人的报酬匹配他们的答案与另一个。另一个经典的机制是让工人解决一些黄金标准任务，并根据他们对黄金任务的准确性支付他们。这种机制确保了比基于对等体的机制更强的激励兼容性，但将黄金任务分配给所有工人在大规模下变得效率低下。我们提出了一种新的机制，分配黄金任务，只有少数工人和利用传递性，从他们的同行的准确性，以获得其余的工人的准确性。我们表明，由此产生的机制，确保了激励相容性和公平性的主导概念。
2018-11-14 cs.AI cs.GT cs.HC
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
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
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
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
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
Offline and Online Incentive Mechanism Design for Smart-phone Crowd-sourcing
本文研究智能手机众包的激励机制设计问题。参与众包的每个用户提交一组它可以完成的任务及其相应的出价。然后，平台选择用户及其支付，以最大限度地提高其效用，同时确保真实性，个人理性，盈利能力和多项式算法复杂性。离线和在线的情况下，其中在离线的情况下，所有用户同时提交他们的配置文件，而在在线的情况下，他们这样做顺序，并决定是否接受或拒绝每个用户是即时完成没有撤销。离线和在线的情况下，所提出的算法，以满足所有四个所需的性能的一个有效的拍卖。通过大量的仿真，离线和在线算法的性能进行了比较。
2013-10-07 cs.CY cs.GT cs.NI
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
Incentive Mechanism for Mobile Crowd Sensing with Assumed Bid Cost Reverse Auction
本文提出RA-ABC及动态招募扩展RA-ABCDR，通过投标后执行和动态用户加入，提升用户留存率54.6%、降低拍卖成本22.2%，优于Tullock最优奖励函数。
2025-07-10 cs.GT
REAP: An Efficient Incentive Mechanism for Reconciling Aggregation Accuracy and Individual Privacy in Crowdsensing
激励机制在隐私感知中起着至关重要的作用。以往关于激励机制与隐私保护协同设计的研究大多假设一个可信的融合中心。最近的工作已采取措施放宽对可信FC的假设，并允许参与用户（PU）在报告原始传感数据之前向其添加经过良好校准的噪声，而重点是使用二进制数据的数据主体的平衡行为。本文的目的是量化隐私补偿的连续数据感测，同时允许FC直接控制PU的范式转变。在这种情况下有两个相互冲突的目标：FC期望更好的质量数据，以实现更高的聚合精度，而PU更喜欢添加更大的噪声，以获得更高的隐私保护级别（PPL）。为了达到一个很好的平衡，我们设计了一个有效的激励机制，以重新协调FC的聚合精度和个人PU的数据隐私（REAP）。具体来说，我们采用著名的差分隐私的概念来衡量PU的PPL和量化他们对FC的聚合精度的影响。在此基础上，运用契约理论，设计了一种激励机制，使FC在给定预算下的聚合精度最大化。建议的激励机制提供不同的合同，以不同的隐私偏好的PU，FC可以直接控制PU。它可以进一步克服信息不对称，即，FC通常不知道每个PU的精确隐私偏好。在完全信息和不完全信息两种情形下，我们都得到了最优契约的封闭解。此外，结果被推广到连续的情况下，PU的隐私偏好采取的值在一个连续的域。大量的仿真结果验证了我们提出的激励机制的可行性和优势。
2017-11-02 cs.CR cs.GT
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
Auction-based Incentive Mechanisms for Dynamic Mobile Ad-Hoc Crowd Service
我们调查一种新兴的用户辅助的移动应用程序或服务，称为动态移动Ad-hoc人群服务（DMACS），如通过智能手机或位置隐私保护通过一群智能手机用户的协作流。这样的服务由携带智能移动设备（例如，智能电话）彼此紧密接近（例如，在蓝牙范围内）。DMACS系统中的用户随时间动态地到达和离开，并且根据无线电范围约束被分成多个可能重叠的组。这类系统成功的关键是要有一个激励用户参与和确保公平交易的机制。本文设计了一种多市场、动态的双重拍卖机制，简称为M-CHAIN，并证明它是真实的、可行的、个人理性的、无赤字的、计算效率高的。M-CHAIN的新颖性和重要性在于它解决了移动无线环境中自然发生的多组或多市场动态双向拍卖问题中的公平交易问题。我们通过模拟生成的用户模式（随机到达，随机市场聚类的用户）和现实世界的痕迹的基础上证明了它的效率。
2015-03-23 cs.GT cs.NI
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
Mechanisms for Making Crowds Truthful
我们考虑的计划，以获得真实的报告，一个共同的，但隐藏的信号，从大群体的理性，自利的代理人。一个例子是在线反馈机制，用户提供有关产品或服务质量的观察结果，以便其他用户可以准确了解他们期望的质量。然而，（i）提供这样的反馈是昂贵的，并且（ii）提供不正确的反馈有许多动机。这两个问题都可以通过奖励计划来解决，该计划（i）包括获得和报告反馈的成本，以及（ii）最大化真实报告的理性代理人的预期奖励。我们解决了这样的激励相容的奖励，在纯逆向选择的环境中产生的反馈的设计。在这里，一个代理人的真实知识和她对其他代理人报告的可能性的信念之间的相关性可以被利用，使诚实的报告成为一个纳什均衡。在本文中，我们扩展了现有的方法设计激励相容的奖励，也考虑勾结。我们分析不同的场景，例如，一些或所有的代理人勾结。对于每一种情况下，我们调查是否存在一个抗共谋，激励兼容的奖励计划，并使用自动机制设计，以指定一个算法，用于获得一个有效的奖励机制。
2014-01-15 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
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
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
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
A Novel Methodology for designing Policies in Mobile Crowdsensing Systems
移动众测是一种以人为中心的感知系统，它基于用户的贡献和激励机制。在我们的工作中，我们通过博弈论方法重新思考了激励机制的设计。因此，我们引入了一个多层社会感知框架，其中人类作为社会传感器在多个社会层和各种服务上进行交互。我们已经提出了这些动态的相互作用，包括同质性的概念，我们已经建模的进化动力学的传感行为，通过定义一个数学框架的基础上，多重EGT，量化同质性，网络异质性和各种社会困境的影响。我们已经发现了导致人类合作的出现和可持续性的社会困境和网络结构的配置。此外，我们定义和评估的本地和全球纳什均衡点，包括同质性和异质性的概念。我们分析定义和测量新的统计措施的社会诚信，生活质量和用户的行为声誉分数的基础上的进化动力学。我们已经定义了决策支持系统和一个新的激励机制，通过对用户的声誉评分方面的政策，也包括用户的行为以外的质量和数量的贡献。在实验中，我们考虑了Waze数据集上的车辆交通监控应用程序，并得出了我们的方法与基线相比，奖励支出。结果表明，我们的方法，其中还包括本地（微观）的时空分布的行为，能够更好地区分用户的行为。这种多尺度的用户特征代表了一个新的研究方向，为移动人群感知系统的新政策铺平了道路。
2020-09-07 cs.GT cs.SI
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
Coordinating the Crowd: Inducing Desirable Equilibria in Non-Cooperative Systems
许多现实世界的系统，如出租车系统，交通网络和智能电网涉及在共享环境中执行单独任务的自私行为者。然而，在这样的系统中，代理人的自利行为产生了福利效率低下和全球次优的结果，对所有人都有害-一些常见的例子是交通网络的拥堵，电网资源的需求激增和过度开采环境资源，如渔业。我们提出了一种激励设计方法，修改代理的奖励在非合作的多代理系统，导致独立的，自利的代理选择的行动，产生最佳的系统结果的战略设置。我们的框架结合了多智能体强化学习来模拟（真实世界）代理行为和黑盒优化，以确定对代理的奖励或激励的最佳修改，给出一些固定的预算，从而获得最佳的系统性能。通过修改奖励函数和生成代理的离线马尔可夫游戏序列内的均衡响应，我们的方法使最佳的激励结构，以确定离线通过迭代更新的奖励函数的模拟游戏。我们的理论结果表明，我们的方法收敛到奖励修改，诱导系统最优。我们展示了我们的框架的应用程序，通过解决一个具有挑战性的问题，在经济学中，涉及成千上万的自私的代理人，并解决交通拥堵问题。
2019-01-30 cs.GT cs.MA
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
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
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
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
Crowd & Prejudice: An Impossibility Theorem for Crowd Labelling without a Gold Standard
众包的一个常见用途是获取数据集的标签。已经提出了几种算法来识别人群中没有信息的成员，这样他们的标签就可以被忽略，支付他们的费用也可以避免。这些算法的一个共同动机是尝试在没有任何初始可信标记数据集的情况下进行操作。我们将这类算法作为博弈论环境中的机制进行分析，以了解它们为工人创造的激励机制。我们发现一个不可能的结果，没有任何地面真相，当工人有机会共同分享的“偏见”，他们同意，但不提供信息的真正的标签，总是有均衡，所有代理人报告的偏见。少量的金标准数据被发现是足以排除这些平衡。
2012-04-16 cs.GT cs.SI
Recommendation Systems and Self Motivated Users
现代推荐系统依赖于群体的智慧来学习最佳的行动方案。这导致了系统学习（探索）的目标与个体用户采取同期最佳行动（利用）的目标之间的内在激励错位。这类系统的设计必须考虑到这一点，并考虑到用户可获得的其他信息。一个突出但简单的例子是，当代理顺序到达时，每个代理都观察他的前任的行动和奖励。我们提供了一个激励兼容和渐近最优的机制，该设置。该机制的复杂性表明，为一般环境设计这种系统是一项具有挑战性的任务。
2018-07-04 cs.GT
Using Prediction Markets to Incentivize and Measure Collective Knowledge Production
我们提出了一个机制设计，耦合在线协作软件和预测市场，它允许追踪个人激励，行动的根源，以及这些行为如何影响集体智慧的知识生产作为一种公共产品。我们发现，激励机制有效地吸引用户没有进一步的治理结构，并没有排挤内在的动机。此外，它还实现了一个强大而强大的创造性破坏过程，有助于快速过滤掉不相关的知识。虽然还处于早期阶段，这种机制设计不仅可以为知识生产组织设计带来见解，而且有可能阐明集体智慧出现的根本机制。
2014-06-30 cs.GT
How Much Should I Pay for Privacy Concerns in Truthful Online 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传感应用，激励机制是必不可少的，以吸引更多的用户参与。大多数现有机制仅适用于离线场景，其中系统具有关于用户的感测简档的全部信息，即，一组位置或移动性以及所使用的智能手机类型，以及它们的真实成本。相反，我们关注的是一个更真实的场景，即有自己隐私问题的用户以随机顺序一个接一个地在线。我们模型的问题作为一个尊重隐私的在线拍卖中，用户愿意协商访问某些私人信息，并提交他们的传感配置文件满足隐私问题的平台（人群传感应用程序的提供商）随着时间的推移，该平台的目标是由选定的用户提供的服务的总价值的预算约束下。然后，我们设计了两个在线机制的预算人群感应应用程序，满足计算效率，个人理性，预算的可行性，真实性，消费者主权，不断的竞争力和隐私问题。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。
2014-03-21 cs.GT
Collection-behavior based Multi-parameter Posted Pricing Mechanism for Crowd Sensing
人群感知是一种新的模式，它利用大量配备传感器的移动电话来收集感知数据。为了吸引更多的参与者提供高质量的服务，Vickrey-Clarke-Groves（VCG）机制及其变体的竞价机制非常适合移动社交网络中的人群感知应用。然而，在实际的连续人群感测应用中，不能征求投标并且只能实现张贴定价机制。显然，这些用于连续人群感测的机制是不适用的。为了解决这个问题，我们提出了一个基于收集行为的多参数发布定价机制，不仅考虑广泛的用户参与和感知数据提交质量在给定的预算约束下，通过应用全支付拍卖和发布定价机制，但也最大化覆盖效用，通过应用人群厌恶。仿真结果表明，我们提出的框架中的激励机制优于现有的最佳解决方案。
2014-08-18 cs.GT cs.NI
Analyzing Crowdfunding of Public Projects Under Dynamic Beliefs
针对公共项目众筹静态信念机制下的截止日出资竞赛问题，将主体信念建模为随机游走，提出动态信念场景下的PPRx-DB机制，证明其可实现均衡筹资且满足条件时主体会立即出资，可缓解竞赛问题。
2024-02-01 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
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
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
OMG: How Much Should I Pay Bob in Truthful Online Mobile Crowdsourced Sensing?
移动众包传感（MCS）是一种新的模式，它利用普及的智能手机来有效地收集数据，使许多新的应用。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真实的场景，用户以随机顺序一个接一个地在线到达。我们建模的问题作为一个在线拍卖，用户提交他们的私人类型的众包随着时间的推移，众包的目的是选择一个子集的用户在指定的截止日期之前，最大限度地提高所选择的用户提供的服务的总价值的预算约束下。我们设计了两种在线机制OMZ和OMG，分别满足零到达-离开间隔情况和更一般情况下的计算效率、个体理性、预算可行性、真实性、消费者主权和恒定竞争性。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。
2013-06-24 cs.GT cs.NI
Opportunity-Cost-Driven Reward Mechanisms for Crowd-Sourced Computing Platforms
本文针对众包计算平台中矿工可能将算力转移至更有利可图活动的机会成本问题，提出带补贴的按股支付（PPSS）机制，无需对机会成本作假设即可同时实现OCD-IC、DOCD-IC和长期预算平衡。
2025-04-10 cs.GT
Perceptions and Truth: A Mechanism Design Approach to Crowd-Sourcing Reputation
我们考虑一个分布式多用户系统，其中各个实体拥有对彼此的观察或感知，而真相只有他们自己知道，并且他们可能有兴趣隐瞒或歪曲真相。我们问的问题是，是否有可能为整个系统达到正确的看法或评估的所有用户，被称为他们的声誉，通过鼓励或激励用户参与集体努力，而不侵犯私人信息和自身利益。两个具体的应用，网上购物和网络声誉，提供了激励我们的研究和解释的结果。在本文中，我们研究这个问题，使用机制设计理论方法。我们介绍了一些实用新型代表用户的战略行为，每个组成的一个或两个的真相元素和图像元素，反映了用户的愿望，以获得一个准确的看法，其他和膨胀的图像本身。对于每个模型，我们要么设计一个机制，实现最佳性能（相应的集中式问题的解决方案），或单独提出合理的次优解决方案。在后一种情况下，我们证明，即使集中式解决方案是无法实现的，通过使用一个简单的惩罚奖励机制，不仅用户有动机参与并提供信息，而且这些信息可以提高系统的性能。
2013-06-02 cs.GT
Crowdsourced Judgement Elicitation with Endogenous Proficiency
众包现在被广泛用于用一些非专家的综合评价取代专家权威的判断，应用范围从对在线内容进行评级和分类到通过同行评分评估大规模开放在线课程中的学生作业。在直接监测不可行的情况下，一个关键问题是激励“人群”中的代理人努力做出良好的评价，并如实报告他们的评价。这导致了一个新的家庭的信息引出问题与不可观察的地面真相，代理的熟练程度-概率，她正确地评估潜在的地面真相-是内生地决定了她的战略选择多少努力投入到任务中。我们的主要贡献是一个简单的，新的，二进制信息引出多个任务的机制时，代理有内生profitness，具有以下属性：（i）最大努力，其次是真实的报告观察是一个纳什均衡。(ii)这是所有代理人都有最大收益的均衡，即使代理人有不同的最大收益，可以使用混合策略，并且可以为每个任务选择不同的策略。我们的信息启发机制只需要最小的界限先验，要求代理只报告自己的评价，并不需要任何条件上的分歧数量的代理报告每个任务，以实现其激励属性。我们的机制背后的主要思想是使用存在的多个任务和评级，以确定和惩罚低努力协议：该机制奖励代理同意一个“参考”评分员的任务，但也惩罚盲目的协议减去一个统计术语设计，使代理获得奖励，只有当他们把努力投入到他们的意见。
2013-03-04 cs.GT
Maximizing Miner Revenue in Transaction Fee Mechanism Design
本文通过提出稍强的合理世界假设，突破交易费用机制设计中矿工收益为零的限制，设计出能产生最优矿工收益的拍卖，并系统探索了该假设下机制设计的可行性与不可行性图景。
2024-04-21 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
Socially-Optimal Mechanism Design for Incentivized Online Learning
Beihang University（北京航空航天大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；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）
多臂强盗（MAB）是一个经典的在线学习框架，研究不确定环境下的序贯决策问题。然而，人与生物圈框架忽略了决策者无法采取行动的情况（例如，直接拉臂）。它在频谱共享、人群感知和边缘计算等许多应用中都是一个非常重要的场景。在这些应用中，决策者将激励其他自私的代理执行期望的动作（即，（代表决策者）。本文建立了激励在线学习（IOL）的框架，这种情况下。设计人工晶状体框架的关键挑战在于未知环境学习和非对称信息揭示的紧密耦合。为了解决这个问题，我们构建了一个特殊的拉格朗日函数，基于此，我们提出了一个社会最佳的IOL框架的机制。我们的机制满足各种理想的属性，如代理公平，激励相容性，和自愿参与。它实现了与需要额外信息的最新基准测试相同的渐近性能。我们的分析还揭示了IOL框架中人群的力量：更大的代理人群使我们的机制更接近社会性能的理论上限。数值结果表明，我们的机制在大规模边缘计算的优势。
2021-12-29 cs.AI cs.GT
A Semi-supervised Sensing Rate Learning based CMAB Scheme to Combat COVID-19 by Trustful Data Collection in the Crowd
Central South University（中南大学）；Hunan First Normal University（湖南第一师范学院）；Beijing Normal University（北京师范大学）；Hunan University of Science and Technology（湖南科技大学）
本文提出 SCMABA 激励机制，结合组合多臂老虎机逆向拍卖与半监督感知率学习，解决 MCS 中未知策略型工人的招募问题，实现真实性与个体合理性，有效抵御虚假数据攻击。
2023-06-22 cs.AI cs.DC cs.GT
