[논문 리뷰] Can Early Joining Participants Contribute More? - Timeliness Sensitive Incentivization for Crowdsensing

Yuedong Xu, Yifan Zhou외 3명|arXiv (Cornell University)|2017. 10. 05.

Mobile Crowdsensing and Crowdsourcing참고 문헌 18인용 수 3

한 줄 요약

이 논문은 두 단계의 툴록 경쟁 프레임워크를 사용하여 시기 민감성에 대응하는 인센티브 메커니즘을 제안한다. 이 메커니즘은 조기에 기여하는 자가 더 높은 보상을 받도록 하여 더 큰 노력을 유도한다. 요청자( requester )의 조율를 스택엘베르그 베이지안 게임로 모델링함으로써, 베이지안 내쉬 균형(Bayesian Nash equilibrium)의 존재성과 유일성을 증명하고, 예산 제약 조건 하에서 최적의 수상자 선정(가장 이른 n명) 또는 종료 시간 설정이 감시 효율을 크게 향상시킨다는 것을 보여준다.

ABSTRACT

This paper investigates the incentive mechanism design from a novel and practically important perspective in which mobile users as contributors do not join simultaneously and a requester desires large efforts from early contributors. A two-stage Tullock contest framework is constructed:at the second stage the potential contributors compete for splittable reward by exerting efforts, and at the first stage the requester can orchestrate the incentive mechanism to maximize his crowdsensing efficiency given the rewarding budget. A general reward discrimination mechanism is developed for timeliness sensitive crowdsensing where an earlier contributor usually has a larger maximum achievable reward and thus allocates more efforts. Owning to the lack of joining time information, two practical implementations, namely earliest-n and termination time, are announced to the contributors. For each of them, we formulate a Stackelberg Bayesian game in which the joining time of a contributor is his type and not available to his opponents. The uniqueness of Bayesian Nash equilibrium (BNE) is proved in each strategy. To maximize the requester's efficiency, we compute the optimal number of rewarded contributors in the earliest-n scheme and the optimal deadline in the termination time scheme. Our contest framework is applicable not only to the closed crowdsensing with fixed number of contributors, but also to the open crowdsensing that the arrival of contributors is governed by a stochastic process. Extensive simulations manifest that with appropriate reward discriminations, the requester is able to achieve a much higher efficiency with the optimal selection of the number of rewarded contributiors and the termination time.

연구 동기 및 목표

• 시기적 데이터가 더 가치가 있으므로, 캐디언싱에서 조기에 참여하도록 유도하는 도전 과제를 해결하기 위해.
• 기여자의 참여 시점에 따라 보상을 지급하는 인센티브 메커니즘을 설계하여 조기 기여자를 우선시하기 위해.
• 고정된 예산 하에서 기여자의 참여 시점에 대한 정보가 불완전한 상황에서도 요청자의 감시 효율을 극대화하기 위해.
• 최적의 보상 차별화를 가능하게 하는 실용적이고 구현 가능한 기법—가장 이른 n명(earliest-n) 및 종료 시간 설정—을 개발하기 위해.
• 제안된 게임 이론적 프레임워크에서 베이지안 내쉬 균형(Bayesian Nash equilibrium)의 존재성과 유일성을 증명하기 위해.

제안 방법

• 기여자가 노력에 따라 분할 가능한 보상을 두고 경쟁하는 두 단계의 툴록 경쟁을 수립하며, 요청자가 첫 번째 단계에서 인센티브를 설정한다.
• 참여 시점을 비공개 유형(private type)으로 모델링한 스택엘베르그 베이지안 게임에서 기여자들은 상대방의 유형을 관찰하지 못한다.
• 조기 참여자에게 더 높은 최대 보상을 부여하는 일반적인 보상 차별화 메커니즘을 개발하여 더 큰 노력을 이끌어내기 위해.
• 실용적 구현 두 가지를 제안한다: 가장 이른 n명의 기여자에게 보상하는 '가장 이른 n명' 기법과 보상 자격을 위한 마감 기한을 설정하는 '종료 시간' 기법.
• 두 기법에 대해 베이지안 내쉬 균형(Bayesian Nash equilibrium, BNE)의 해석적 표현을 유도하고, 둘 다에서 균형의 유일성을 증명한다.
• 예상 지출 모델과 예산 제약 조건을 사용하여 요청자의 효율성을 극대화하기 위해 최적의 수상자 수(n)와 최적의 종료 시간(T)을 계산한다.

실험 결과

연구 질문

• RQ1 요청자는 참여 시점에 대한 정보가 불완전한 캐디언싱 시스템에서 조기 기여자를 우선시하는 인센티브 메커니즘을 어떻게 설계할 수 있는가?
• RQ2 고정된 예산 하에서 감시 효율을 극대화하기 위해 보상 매개변수(예: 수상자 수 또는 종료 시간)의 최적 구성은 무엇인가?
• RQ3 스택엘베르그 베이지안 게임 프레임워크는 시기 민감성에 대응하는 캐디언싱에서 기여자와 요청자 간의 전략적 상호작용을 효과적으로 모델링할 수 있는가?
• RQ4 제안된 보상 차별화 메커니즘은 기여자 행동의 유일하고 안정된 균형을 이끌어내는가?
• RQ5 고정된 또는 확률적 기여자 도착 조건 하에서, 제안된 메커니즘은 폐쇄형 및 개방형 캐디언싱 시스템 모두에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 보상 차별화 메커니즘은 조기 기여자들이 더 큰 노력을 기울이도록 하여 감시 효율을 크게 향상시킨다.
• 가장 이른 n명 및 종료 시간 기법 양쪽 모두에서 베이지안 내쉬 균형(Bayesian Nash equilibrium, BNE)이 유일하게 결정되어 안정된 전략적 행동을 보장한다.
• 가장 이른 n명 기법에서 최적의 수상자 수(n)를 선택하면 균일 보상 체계에 비해 효율성이 크게 향상된다.
• 종료 시간 기법에서는 예산 제약 조건을 준수하면서 효율성을 극대화하기 위해 최적의 마감 기한(T)을 도출하였으며, 시뮬레이션 결과 비최적 구성에 비해 성능 향상이 확인되었다.
• 이 프레임워크는 고정된 기여자 수를 가진 폐쇄형 시스템과 확률적 도착을 가진 개방형 시스템 모두에 적용 가능하여 광범위한 실용적 관련성을 보였다.
• 광범위한 시뮬레이션을 통해 적절한 보상 차별화를 통해 요청자는 더 높은 효율을 달성함을 확인하였으며, 특히 최적의 n 또는 T를 선택했을 경우에 그 성과가 두드러졌다.