[論文レビュー] An Incentive Mechanism for Crowd Sensing with Colluding Agents

Susu Xu, Weiguang Mao+3 more|arXiv (Cornell University)|Sep 13, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 26被引用数 3

ひとこと要約

本稿では、参加者が共謀しても効果を保つインcentiveメカニズムであるInSensitive Mechanismを提案し、費用制約下でも最適なデータ収集を保証する。合成および実世界の実験において、先行手法に比べて最大30％高いデータ収集を達成し、同様に同様に均質的および非均質的設定において強固な理論的保証を維持する。

ABSTRACT

Vehicular mobile crowd sensing is a fast-emerging paradigm to collect data about the environment by mounting sensors on vehicles such as taxis. An important problem in vehicular crowd sensing is to design payment mechanisms to incentivize drivers (agents) to collect data, with the overall goal of obtaining the maximum amount of data (across multiple vehicles) for a given budget. Past works on this problem consider a setting where each agent operates in isolation---an assumption which is frequently violated in practice. In this paper, we design an incentive mechanism to incentivize agents who can engage in arbitrary collusions. We then show that in a "homogeneous" setting, our mechanism is optimal, and can do as well as any mechanism which knows the agents' preferences a priori. Moreover, if the agents are non-colluding, then our mechanism automatically does as well as any other non-colluding mechanism. We also show that our proposed mechanism has strong (and asymptotically optimal) guarantees for a more general "heterogeneous" setting. Experiments based on synthesized data and real-world data reveal gains of over 30\% attained by our mechanism compared to past literature.

研究の動機と目的

• 実際の状況ではしばしば破られるが、共謀しない参加者を仮定する既存のコモンセンスメカニズムにおける、この重大なギャップを埋める。
• 参加者が戦略的に共謀できる状況下でも、高いデータ収集効率を維持できるインcentiveメカニズムを設計すること。
• すべての参加者が同じ閾値を持つ均質的設定において、参加者の好みを事前に知ったメカニズムの理論的上限に一致する最適なパフォーマンスを達成すること。
• 参加者が異なる閾値を持つ非均質的設定において、真実を述べることを強制できない状況でも、強力で漸近的に最適な保証を提供すること。
• 合成データおよび実世界データを用いて、最先端の手法と比較して、本メカニズムの優位性を経験的に検証すること。

提案手法

• 参加者の共謀に影響されないインcentive設計であるInSensitive Mechanismを提案し、特定の条件下で真実の入札が最適であることを保証する。
• 参加者が自らの私的閾値を入札する予算制約付きの複数ラウンドオークションフレームワークを採用し、データ収集を最大化するように報酬を割り当てる。
• 予算が限られる状況で、閾値が低い参加者を優遇する優先順位ベースの選定ルールを採用し、効率性を促進する。
• 非均質的設定におけるレグレットとパフォーマンスロスの理論的境界を導出し、真実の入札が不可能な状況下でも、メカニズムが近似的に最適であることを示す。
• 共謀下での参加者行動の新しい分析を適用し、真のデータや閾値の事前知識が不要な状況でも、メカニズムが強力な性能保証を維持することを証明する。
• 合成データおよび実世界のタクシー軌道データを用いた数値的評価により、同一の予算制約下で先行メカニズムと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 参加者が共謀を許可される状況下でも、高いデータ収集効率を維持できるインcentiveメカニズムを設計することは可能か？
• RQ2 すべての参加者が同一の参加意思図閾値を持つ均質的閾値設定において、最適なパフォーマンスを達成することは可能か？
• RQ3 参加者が異なる個人的閾値を持つより現実的な非均質的閾値設定において、このメカニズムはどのように性能を発揮するか？
• RQ4 特に、レグレットと予算利用率の観点から、このメカニズムのパフォーマンスに対してどのような理論的保証を提供できるか？
• RQ5 実際の応用において、このメカニズムは既存の最先端手法をどの程度上回るか？

主な発見

• InSensitive Mechanismは、均質的閾値設定において最適なパフォーマンスを達成し、参加者の好みを事前に知ったメカニズムの理論的上限に一致する。
• 非均質的設定において、真実の入札を保証できない状況下でも、強力で漸近的に最適な保証を提供する。
• 本メカニズムは、合成および実世界の両方の実験で、同じ予算下で先行の最先端手法を常に上回り、30％以上の高いデータ収集を達成する。
• 予算が全参加者に支払いができない場合、i 個の参加者が1ラウンドあたりの予算制限以下の閾値を持つ場合、少なくとも iN 個のタスクが完了することを保証し、最小限のレグレットを発生させる。
• 共謀が発生しても、戦略的行動（特に協調入札）に影響されない設計であるため、本メカニズムは強力な性能を維持する。
• 経験的結果から、本メカニズムの性能向上は、異なるデータ分布および予算水準においても一貫しており、実用的妥当性が確認される。