[논문 리뷰] Social-Network-Assisted Worker Recruitment in Mobile Crowd Sensing

Jiangtao Wang, Feng Wang외 4명|arXiv (Cornell University)|2018. 05. 22.

Mobile Crowdsensing and Crowdsourcing참고 문헌 20인용 수 5

한 줄 요약

이 논문은 초기 사용자 풀이 존재하지 않는 냉시작 시나리오에서 모바일 컬러드 센싱(MCS)의 작업자 채용 문제를 해결하기 위해 사회망의 影響 확산을 활용하는 작업자 채용 프레임워크를 제안한다. MCS 작업을 확산시키기 위해 초기 시드 사용자를 선정함으로써, 예산 및 시드 수 제약 조건 하에 시간-공간 커버리지를 최대화한다. 두 가지 알고리즘인 Basic-Selector와 Fast-Selector는 실제 데이터셋에서 높은 커버리지와 효율성을 달성한다.

ABSTRACT

Worker recruitment is a crucial research problem in Mobile Crowd Sensing (MCS). While previous studies rely on a specified platform with a pre-assumed large user pool, this paper leverages the influenced propagation on the social network to assist the MCS worker recruitment. We first select a subset of users on the social network as initial seeds and push MCS tasks to them. Then, influenced users who accept tasks are recruited as workers, and the ultimate goal is to maximize the coverage. Specifically, to select a near-optimal set of seeds, we propose two algorithms, named Basic-Selector and Fast-Selector, respectively. Basic-Selector adopts an iterative greedy process based on the predicted mobility, which has good performance but suffers from inefficiency concerns. To accelerate the selection, Fast-Selector is proposed, which is based on the interdependency of geographical positions among friends. Empirical studies on two real-world datasets verify that Fast-Selector achieves higher coverage than baseline methods under various settings, meanwhile, it is much more efficient than Basic-Selector while only sacrificing a slight fraction of the coverage.

연구 동기 및 목표

• 대규모 사용자 풀이 존재하지 않는 냉시작 단계에서 MCS의 낮은 작업자 채용 문제를 해결한다.
• 사회망의 영향력 확산을 활용해 초기 사용자 초과로 MCS 작업의 영향 범위를 확장한다.
• 초기 시드 수와 총 채용 작업자 수 제약 조건 하에 MCS 작업의 시간-공간 커버리지를 최대화한다.
• 커버리지와 계산 비용의 균형을 고려한 효율적인 시드 선택 알고리즘을 설계한다.
• 실제 사회망 데이터셋을 활용해 효과성과 확장성을 검증하기 위해 실증 평가를 수행한다.

제안 방법

• 영향력 잠재력과 지리적 분포를 기반으로 사회망에서 초기 시드 사용자를 선정하여 작업 전파를 시작한다.
• Basic-Selector는 예측된 작업자 이동 패턴을 고려해 커버리지 기대치를 최대화하는 방식으로 반복적 탐욕적 프로세스를 사용한다.
• Fast-Selector는 사용자 도수와 친구 간 공간 상호의존성을 기반으로 한 휴리스틱 유용도 함수를 사용하는 효율적 대안을 제안한다.
• 영향력 확산을 카스케이드 프로세스로 모델링하여, 영향을 받은 사용자가 MCS 작업을 자신의 친구들에게 수락 및 전파한다.
• 모든 채용된 작업자에게 동일한 인centive 보상(보상)을 적용하며, 총 채용 수는 예산 제약에 따라 제한된다.
• 실제 사회망 데이터(Brightkite 및 Gowalla)를 사용하고, 합성 작업자 생성을 통해 채용 동역학을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 사회망에서의 영향력 확산이 냉시작 시나리오에서 MCS 작업자 채용에 효과적으로 기여할 수 있는가?
• RQ2 제한된 시드 수와 작업자 수 조건 하에 MCS 작업 커버리지를 최대화하기 위해 최적의 초기 시드 사용자 집합을 어떻게 선정할 수 있는가?
• RQ3 시드 선택 알고리즘에서 커버리지 성능와 계산 효율성 사이의 상충 관계는 어떠한가?
• RQ4 시드의 지리적 분포가 MCS 작업의 최종 커버리지에 어떤 영향을 미치는가?
• RQ5 휴리스틱 기반의 시드 선택이 훨씬 낮은 계산 시간으로 근사 최적의 커버리지를 달성할 수 있는가?

주요 결과

• Fast-Selector는 실제 데이터셋에서 다양한 설정에서 기준 방법 대비 더 높은 시간-공간 커버리지를 달성한다.
• Fast-Selector는 Basic-Selector 대비 훨씬 더 높은 효율성을 보이며, 커버리지 성능에서 미미한 손실만을 기록한다.
• 제안된 방법은 기존 방법이 사용자 풀이 부족으로 실패하는 냉시작 MCS 시나리오에서 효과적으로 작업자를 채용한다.
• Brightkite 및 Gowalla 데이터셋에 대한 실증 평가를 통해 Fast-Selector가 다양한 제약 조건 하에서도 확장성과 강건성을 입증한다.
• Fast-Selector의 휴리스틱 유용도 함수는 사회적 영향력과 공간적 근접성을 통합하여 효율적이고 효과적인 시드 선택을 가능하게 한다.
• 본 연구는 합성 데이터 생성의 한계를 밝히며, 도시 규모의 사회 포럼과의 협업을 통한 실세계 검증의 필요성을 제기한다.