[논문 리뷰] Offline and Online Incentive Mechanism Design for Smart-phone Crowd-sourcing

Ashwin Subramanian, G. Sai Kanth외 1명|arXiv (Cornell University)|2013. 10. 07.

Auction Theory and Applications참고 문헌 11인용 수 8

한 줄 요약

이 논문은 진정성, 개인적 합리성, 수익성, 다항 시간 복잡도를 보장하는 스마트폰 군중 캠패인을 위한 오프라인 및 온라인 인cent라이브 메커니즘인 SMART와 ONLINE-SMART를 제안한다. VCG와 그레디 선택에 영감을 받아, SMART는 양면의 마진 유용성이 양수인 사용자를 선별하고 이를 바탕으로 보상 금액을 설정함으로써 플랫폼의 유용성을 최대화하며, M-sensing보다 뛰어난 유용성을 보이지만 동일한 복잡도를 유지한다.

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.

연구 동기 및 목표

• 진정성, 개인적 합리성, 수익성, 계산 효율성을 보장하는 스마트폰 군중 캠패인을 위한 인센티브 메커니즘 설계.
• VCG 메커니즘의 조합 복잡도 문제를 다루기 위해 이를 확장 가능하고 다항 시간 알고리즘으로 적응시키기.
• 사용자가 순차적으로 도착하고 결정이 취소 불가능한 온라인 환경으로 오프라인 메커니즘을 확장하기.
• 제안된 알고리즘들이 이전 연구 대비 플랫폼 유용성을 향상시키면서도 네 가지 핵심 경매 성질을 유지하도록 보장하기.
• 다양한 작업 완료율과 관찰 단계 조건 하에서 온라인 알고리즘의 성능을 경쟁 비율 지표로 분석하기.

제안 방법

• 먼저 그레디 선택을 통해 선별 집합을 형성한 후 VCG 유사 마진 유용성 분석을 통해 개선하는 오프라인 알고리즘인 SMART를 제안.
• 사용자 보상 금액을 다음으로 좋은 사용자에 대한 유용성 증가량에 더해 그 사용자의 입찰 금액을 더한 방식으로 계산함으로써 진정성을 보장.
• 초기 관찰 단계를 통해 기준 집합을 형성한 후 승자 선별을 수행함으로써 SMART를 온라인 환경에 적응시킨 ONLINE-SMART로 확장.
• 온라인 선택 과정을 k-비밀사수 문제로 모델링하여, k명의 사용자를 먼저 관찰하고 나머지 사용자에 대한 결정을 내림.
• 관찰된 사용자들의 프로필을 활용해 선택 단계에서 고가치 참가자를 선별하기 위한 최적의 임계값을 추정.
• 모든 메커니즘들이 개인적 합리성을 보장하기 위해 사용자 유용성이 음수가 되지 않도록 하고, 수익성을 확보하기 위해 플랫폼 유용성이 음수가 되지 않도록 보장.

실험 결과

연구 질문

• RQ1 스마트폰 군중 캠패인의 오프라인 및 온라인 환경에서 진정성과 계산 효율성을 보장하는 인센티브 메커니즘을 어떻게 설계할 수 있는가?
• RQ2 제안된 오프라인 알고리즘(SMART)과 최적의 오프라인 해법 사이의 성능 격은 얼마인가?
• RQ3 온라인 알고리즘(ONLINE-SMART)이 오프라인 최적 해법 대비 경쟁 비율은 얼마인가?
• RQ4 온라인 단계에서 관찰하는 사용자 비율이 ONLINE-SMART의 경쟁 비율에 미치는 영향은 무엇인가?
• RQ5 사용자가 평균적으로 수행하는 작업의 비율이 온라인 알고리즘의 성능에 미치는 영향은 무엇인가?

주요 결과

• SMART는 동일한 다항 시간 복잡도를 유지하면서 M-sensing보다 더 높은 플랫폼 유용성을 달성하며, 네 가지 경매 성질을 모두 만족한다.
• 사용자가 평균적으로 총 작업의 20%에서 70% 사이를 완료할 경우, SMART의 M-sensing 대비 성능 향상이 가장 두드러진다.
• ONLINE-SMART는 초기 단계에서 약 32%의 사용자를 관찰할 때 최대 경쟁 비율을 기록하며, 기준 집합의 품질과 선별 풀의 크기 사이의 균형을 이룬다.
• ONLINE-SMART의 경쟁 비율은 사용자가 평균적으로 총 작업의 약 30%를 완료할 경우에 최고로 높아지며, 이는 사용자 작업 완료율 증가와 비례한다.
• ONLINE-SMART의 최적 관찰 비율은 사용자가 약 30%의 총 작업을 완료할 경우 가장 높으며, 이는 기준 집합의 품질과 선별 가능성이 상호 간의 트레이드오프를 반영한다.
• 시뮬레이션 결과는 ONLINE-SMART가 다양한 작업 완료율과 관찰 단계 크기 조건에서도 뛰어난 성능을 유지하며, 현실적인 조건에서도 일관된 경쟁 비율을 확보함을 확인한다.