[논문 리뷰] An Incentive Mechanism for Crowd Sensing with Colluding Agents

Susu Xu, Weiguang Mao외 3명|arXiv (Cornell University)|2018. 09. 13.

Mobile Crowdsensing and Crowdsourcing참고 문헌 26인용 수 3

한 줄 요약

이 논문은 에이전트가 공모해도 효과를 유지하는 인centive 메커니즘인 InSensitive Mechanism를 제안하여 예산 제약 하에서 최적의 데이터 수집을 보장한다. 합성 및 실세계 실험에서 기존 방법 대비 최대 30% 높은 데이터 수집을 달성하며, 동일한 조건에서 이론적 보장도 강력하게 유지한다.

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.

연구 동기 및 목표

• 실제로 자주 위배되는 비공모를 전제로 하는 기존 컨테스트 센싱 메커니즘의 핵심적 격차를 해결하기 위해.
• 에이전트가 전략적으로 공모할 수 있는 상황에서도 높은 데이터 수집 효율성을 유지하는 인센티브 메커니즘을 설계하기 위해.
• 모든 에이전트가 동일한 임계값을 가지는 동질적 환경에서 최적의 성능을 달성하여, 선수 지식이 있는 메커니즘의 이론적 상한선을 충족시키기 위해.
• 에이전트가 다양한 임계값을 가지며 진실한 입찰이 보장되지 않는 비동질적 환경에서도 강력한 점 渐진 최적 보장을 제공하기 위해.
• 합성 및 실세계 데이터를 사용하여 최신 기술 대비 메커니즘의 우수성을 실증적으로 검증하기 위해.

제안 방법

• 에이전트의 공모에 민감하지 않은 인센티브 설계인 InSensitive Mechanism를 제안하여 특정 조건 하에서 진실한 입찰이 최적임을 보장한다.
• 에이전트가 개인의 임계값을 입찰하고, 컨테스트 센서가 예산 제약 하에서 데이터 수집을 극대화하도록 지급을 할당하는 예산 제약, 다중 라운드 경매 프레임워크를 사용한다.
• 예산이 부족할 경우 낮은 임계값을 가진 에이전트를 우선시하는 우선순위 기반 선택 규칙을 적용하여 효율성을 증진한다.
• 비동질적 환경에서의 회귀 및 성능 손실에 대한 이론적 경계를 유도하여, 진실한 입찰이 불가능한 상황에서도 메커니즘이 근사적으로 최적임을 보여준다.
• 공모 상황에서의 에이전트 행동에 대한 새로운 분석을 적용하여, 기준 데이터나 임계값에 대한 사전 지식 없이도 메커니즘이 강력한 성능 보장을 유지함을 증명한다.
• 합성 및 실세계 택시 경로 데이터를 사용한 수치적 평가를 통해 동일한 예산 제약 조건 하에서 기존 메커니즘과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 에이전트가 공모할 수 있는 상황에서도 높은 데이터 수집 효율성을 유지할 수 있는 인센티브 메커니즘을 설계할 수 있는가?
• RQ2 모든 에이전트가 동일한 참여 의사결정 임계값을 가지는 동질적 환경에서 최적의 성능을 달성할 수 있는가?
• RQ3 에이전트가 다양한 비공개 임계값을 가지는 더 현실적인 비동질적 환경에서 메커니즘의 성능은 어떠한가?
• RQ4 특히 회귀와 예산 활용도 측면에서 메커니즘 성능에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ5 실제로 기존 최신 기술 대비 메커니즘이 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• InSensitive Mechanism는 동질적 임계값 설정에서 최적의 성능을 달성하여, 선수 지식이 있는 메커니즘의 이론적 상한선을 정확히 충족시킨다.
• 비동질적 환경에서는 진실한 입찰을 보장할 수 없음에도 불구하고 강력한 점 渐진 최적 보장을 제공한다.
• 메커니즘은 합성 및 실세계 실험에서 동일한 예산 조건 하에 기존 최신 기술 대비 30% 이상 높은 데이터 수집을 지속적으로 달성한다.
• 예산이 모든 에이전트를 지급하기에 부족한 경우, i명의 에이전트가 라운드 예산 한도 이하의 임계값을 가진다면 최소 iN개의 작업이 완료됨을 보장하며, 최소한의 회귀를 유도한다.
• 메커니즘이 전략적 행동, 특히 협력 입찰에 대해 민감하지 않게 설계되어 있어, 에이전트의 공모 상황에서도 강력한 성능을 유지한다.
• 실증 결과는 메커니즘의 성능 향상이 다양한 데이터 분포와 예산 수준에서 뚜렷하게 유지됨을 보여주며, 실용적 타당성을 확인한다.