[論文レビュー] Team Formation: Striking a Balance between Coverage and Cost

Alina Ene, Sofia Maria Nikolakaki+1 more|arXiv (Cornell University)|Feb 18, 2020

Mobile Crowdsensing and Crowdsourcing参考文献 5被引用数 4

ひとこと要約

本論文は、スキルカバレッジとチームコストのバランスをとるために、部分的モジュラーな目的関数から線形コストを差し引く最適化を行う、新しいチーム編成モデルを提案する。証明可能な近似保証を持つ貪欲アルゴリズムを用い、実際のクラウドソーシングデータ上で高い効率性と有効性を達成しており、チーム選択におけるコスト・カバレッジのトレードオフを一般化可能なフレームワークとして提供する。

ABSTRACT

Motivated by online crowdsourcing platforms as well as applications that span human-resource management in industrial and research organizations researchers have studied extensively the team-formation problem. This problem has been primarily formalized as an optimization problem where the goal is to optimize some metric of the team performance, subject to the constraint that the team members should cover all the skills required by the task. In this paper, we generalize this problem formulation and set as our objective to optimize a function that maximizes the coverage of skills minus the cost of the corresponding team. This formulation appears as a more natural one, particularly in cases where one needs to strike a balance between the coverage achieved and the cost being paid. To the best of our knowledge we are the first to formalize the team-formation problem in this manner. From the algorithmic perspective, we demonstrate that by using simple variants of the standard greedy algorithm (used for submodular optimization) we can design algorithms that have provable approximation guarantees, are extremely efficient and work very well in practice. Our experiments with real data from online crowdsourcing platforms demonstrate the efficiency and the efficacy of our methods. Finally, we believe that our problem formulation and algorithms are of independent interest and can be used in many applications where there is a submodular objective and a linear cost.

研究の動機と目的

• 人材管理およびクラウドソーシングプラットフォームにおけるチームカバレッジとコストのバランスの重要性を説明する。
• 従来の研究がカバレッジまたはコストの一方のみを最適化するという限界を解決する。
• チーム形成を、カバレッジからコストを差し引いた関数の共同最適化として形式化し、現実のトレードオフを反映する。
• この新しい定式化に対して理論的保証を持つ効率的なアルゴリズムを設計する。
• オンラインクラウドソーシングプラットフォームからの実データを用いて、実用的有効性を実証する。

提案手法

• チーム編成問題を、部分的モジュラー関数（カバレッジ）から線形コスト関数を差し引いた関数の最大化問題として定式化する。
• 標準的な部分的モジュラー最適化の貪欲アルゴリズムを、組み合わせられた目的関数に対応できるように適応する。
• 新しい目的関数下での提案された貪欲アルゴリズムの近似保証を証明する。
• カバレッジ関数の部分的モジュラー性と単調性の性質を活用して、アルゴリズムの効率性を確保する。
• 実際のクラウドソーシングデータセットを用いてアルゴリズムを実装・評価し、パフォーマンスを検証する。
• 部分的モジュラー目的関数と線形コストを有する任意の応用分野に一般化可能なツールとしてフレームワークを活用する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、チームのスキルカバレッジとチームコストのバランスを原理的かつ明確に定式化できるか？
• RQ2 部分的モジュラー最適化のための貪欲アルゴリズムを、組み合わせたカバレッジ・コスト目的関数下でも理論的保証を達成できるように適応できるか？
• RQ3 提案されたアルゴリズムは、実世界のデータ上で実用的にどれほど効率的かつ有効であるか？
• RQ4 コストのしきい値を変化させた場合、チーム構成とカバレッジにどのような影響が生じるか？
• RQ5 チーム編成以外のどのような応用分野でも、この定式化が有用に応用可能か？

主な発見

• カバレッジからコストを差し引くという提案された定式化は、チームの質とコストのトレードオフを明示的にモデル化する最初のものである。
• 適応された貪欲アルゴリズムは、新しい目的関数下でも証明可能な近似保証を達成する。
• アルゴリズムは非常に効率的であり、大規模データセットに対してもスケーラブルで、実世界の展開に実用的である。
• 実際のクラウドソーシングデータを用いた実験では、カバレッジとコスト効率の両面で優れたパフォーマンスを示した。
• このフレームワークは一般化可能であり、部分的モジュラー目的関数と線形コストを有する任意の問題に応用可能である。
• カバレッジやコストを独立に最適化するベースライン手法よりも、本手法は優れた性能を発揮した。