[論文レビュー] Offline and Online Incentive Mechanism Design for Smart-phone Crowd-sourcing

Ashwin Subramanian, G. Sai Kanth+1 more|arXiv (Cornell University)|Oct 7, 2013

Auction Theory and Applications参考文献 11被引用数 8

ひとこと要約

本稿では、真実性、個人合理性、収益性、多項式時間計算量を保証するスマートフォンのクラウドソーシング向けオフラインおよびオンラインインcentiveメカニズム、SMARTとONLINE-SMARTを提案する。VCGとグリーディ選択にインspiredされ、正のマージナルユーティリティを持つユーザーを選択し、それに応じた支払いを設定することで、SMARTはM-sensingより優れたユーティリティを達成するが、同じ計算量の複雑さを維持する。

ABSTRACT

In this paper, we consider the problem of incentive mechanism design for smart-phone crowd-sourcing. Each user participating in crowd-sourcing submits a set of tasks it can accomplish and its corresponding bid. The platform then selects the users and their payments to maximize its utility while ensuring truthfulness, individual rationality, profitability, and polynomial algorithm complexity. Both the offline and the online scenarios are considered, where in the offline case, all users submit their profiles simultaneously, while in the online case they do it sequentially, and the decision whether to accept or reject each user is done instantaneously with no revocation. The proposed algorithms for both the offline and the online case are shown to satisfy all the four desired properties of an efficient auction. Through extensive simulation, the performance of the offline and the online algorithm is also compared.

研究の動機と目的

• 真実性、個人合理性、収益性、計算効率性を保証するスマートフォンのクラウドソーシング向けインcentiveメカニズムの設計。
• VCGメカニズムにおける組み合わせ的複雑さの課題に対処し、スケーラブルで多項式時間のアルゴリズムに適応する。
• オフラインメカニズムを、ユーザーが順次到着し、意思決定が不可逆となるオンライン設定に拡張する。
• 提案されたアルゴリズムが、4つの主要なオークション特性を維持するとともに、先行研究と比較してプラットフォームユーティリティを向上させることを保証する。
• さまざまなタスク完了率および観測フェーズ条件下でのオンラインアルゴリズムの性能を、競合比指標を用いて分析する。

提案手法

• まずグリーディ選択を用いてスクリーニング集合を形成し、その後VCGにインspiredされたマージナルユーティリティ分析を用いて改善するオフラインアルゴリズムであるSMARTを提案する。
• 支払いを、次に最良のユーザーとの差分のマージナルユーティリティに加えて、そのユーザーの入札額に等しく設定することで、真実性を保証する。
• 最初にユーザーの一部を観測して基準セットを形成した後、勝者を決定するプロセスを用いて、SMARTをオンライン設定に適応するONLINE-SMARTを構築する。
• オンライン選択プロセスを、k人のユーザーを観測して残りのユーザーに対する意思決定を下すオンラインk-秘書問題としてモデル化する。
• 観測されたユーザーのプロファイルを用いて、選択フェーズにおける高価値参加者の選定に最適なしきい値を推定する。
• すべてのメカニズムが、非負のユーザーのユーティリティを保証することで個人合理性を満たし、非負のプラットフォームユーティリティを保証することで収益性を満たす。

実験結果

リサーチクエスチョン

• RQ1 オフラインおよびオンライン両設定において、真実性があり、計算的に効率的なインcentiveメカニズムをスマートフォンのクラウドソーシングにどのように設計できるか。
• RQ2 提案されたオフラインアルゴリズム（SMART）と最適オフライン解との間の性能ギャップは何か。
• RQ3 オンラインアルゴリズム（ONLINE-SMART）の競合比は、オフライン最適解に対してどの程度か。
• RQ4 オンラインフェーズで観測するユーザーの割合が、ONLINE-SMARTの競合比にどのように影響するか。
• RQ5 ユーザー1人あたりの平均タスク完了率が、オンラインアルゴリズムのパフォーマンスにどのように影響するか。

主な発見

• SMARTは、M-sensingと同一の多項式時間計算量を維持しながら、プラットフォームユーティリティをより高く達成し、4つのオークション特性をすべて満たす。
• ユーザーが平均して全タスクの20％から70％を完了する場合、SMARTのM-sensingに対する性能向上が最も顕著に現れる。
• ONLINE-SMARTの最大競合比は、初期フェーズで約32％のユーザーが観測されたときに達成され、基準セットの品質と選択プールのサイズのバランスが取れている。
• ONLINE-SMARTの競合比は、ユーザーの平均タスク完了率が上昇するにつれて増加し、ユーザーが全タスクの約30％を完了する際にピークに達する。
• ONLINE-SMARTの最適観測割合は、ユーザーが全タスクの約30％を完了する場合に最も高くなる。これは、基準セットの品質と選択可能性のトレードオフを反映している。
• シミュレーション結果は、ONLINE-SMARTが、さまざまなタスク完了率および観測フェーズサイズの下でも一貫した高いパフォーマンスを発揮し、現実的な条件下で安定した競合比を維持することを確認している。