[논문 리뷰] Risk-Aware Skill-Coverage Hybrid Workforce Configuration on Social Networks

Hui-Ju Hung, Guang-Siang Lee외 3명|arXiv (Cornell University)|2026. 02. 28.

Mobile Crowdsensing and Crowdsourcing인용 수 0

한 줄 요약

논문은 두 계층 사회 네트워크에서 Risk-aware Skill-coverage Hybrid Workforce Configuration (RSHWC)을 정의하고, 스킬 커버리지, 협업 이득, 접촉 기반 위험을 고려하여 현장 팀을 구성하는 확장 가능한 알고리즘 GRIA를 도입하며, NP-hardness 증명과 실험적 검증을 통해 GRIA가 기준 알고리즘 대비 우수함을 보인다.

ABSTRACT

In hybrid workforce configurations, it is important to decide which employees should work onsite or remotely while ensuring the collaboration benefits against contact-based health risks and skill requirements. In this paper, we formulate the Risk-aware Skill-coverage Hybrid Workforce Configuration (RSHWC) problem on a two-layer social network that balances physical contact risks and social collaboration ties to meet skill requirements. We prove that RSHWC is NP-hard and propose the Guided Risk-aware Iterative Assembling (GRIA) algorithm, a multi-stage algorithm that combines risk-aware workforce construction, skill-preserving workforce refinement, and risk-reducing member replacement. Experiments on four real-world networks show that GRIA consistently outperforms state-of-the-art baselines under various settings.

연구 동기 및 목표

• 현장 협업 이득을 온전히 유지하면서 접촉 기반 건강 위험을 고려한 하이브리드 인력 구성의 필요성을 제시한다.
• 두 계층 사회 네트워크에서 스킬 커버리지와 전염병 스타일의 위험 제약을 결합한 RSHWC 문제를 형식화한다.
• 위험 인식 구축, 스킬 보존, 위험 감소 대체를 함께 최적화하는 확장 가능한 알고리즘(GRIA)을 개발한다.
• 스킬 보존 보강의 이론적 보장과 실제 네트워크에서의 기초 알고리즘 대비 실험적 우수성을 제시한다.

제안 방법

• 문제를 접촉 네트워크 Gc(감염 전파 확률 포함)와 현장/원격 협업 점수를 가진 파트너십 네트워크 Gp로 구성된 두 계층 네트워크로 모델링한다.
• V* 현장 세트를 정의하고 α(V*)를 현장 구성원당 협업으로 두되, 스킬 커버리지 및 그룹 위험 예산 제약을 만족하도록 한다.
• RSHWC가 Exact Cover by 3-Sets (X3C)로의 축소를 통해 NP-hard임을 보인다.
• GRIA를 제안한다: (i) 필요한 스킬을 커버하는 구성원을 탐욕적으로 추가하고 tau_V*(v)/risk(v)가 유리한 경우를 우선 고려하는 위험 인식 인력 구성; (ii) 직전 현장 기여도가 낮은 현장 직업을 제거하되 타당성을 유지하는 스킬 보존 인력을 위한 정제; (iii) 고위험 현장 직원을 더 안전한 원격 인력으로 교체하면서 제약을 유지하는 위험 감소 구성원 교체.
• 복잡도: GRIA의 실행 시간은 O(|V|^2 * cr)이며, cr은 위험 계산 비용이고, 정제 및 교체의 선형 요소가 추가된다.

실험 결과

연구 질문

• RQ1 현장 협업을 최대화하면서 스킬 커버리지를 완전하게 보장하고 접촉 기반 위험을 예산 내에서 유지하는 방법은 무엇인가?
• RQ2 다양한 스킬 세트 요구사항 하에서 실제 네트워크에서 위험 인식 GRIA 전략이 기존 기준 알고리즘보다 성능을 상회하는가?
• RQ3 네트워크 크기와 원격/현장 효과성 비율에 따라 GRIA의 확장성 및 강건성은 어떠한가?
• RQ4 스킬 보존 정제가 실행 가능성을 안정적으로 유지하면서 효율성과 성능을 개선하는가?

주요 결과

• GRIA는 네 가지 실제 네트워크에서 여섯 가지 기준 알고리즘 대비 평균 협업이 가장 높은 값을 지속적으로 달성한다.
• 필요 스킬 집합 크기가 커져도 GRIA의 성능 이점이 유지되어 스킬, 협업 및 위험의 공동 처리가 효과적임을 나타낸다.
• GRIA는 중간 정도의 계산 비용을 보이며 더 복잡한 기준 알고리즘(RWR 등)보다 빠른 편이지만 순전히 구조적 방법보다 느리며, 위험 인식 및 스킬 고려가 더해진 효과를 반영한다.
• GRIA는 원격 대 현장 효과성 비율의 다양한 범위에서도 효과적이며 서로 다른 하이브리드 작업 시나리오에 대한 강건성을 보여준다.
• 맨해튼, 버지니아, ca-GrQc, ca-HepPh 데이터세트에서 비슷한 위험 예산 하에서 GRIA가 목표 값에서 우월함을 보인다.