[논문 리뷰] Team Formation: Striking a Balance between Coverage and Cost

Alina Ene, Sofia Maria Nikolakaki외 1명|arXiv (Cornell University)|2020. 02. 18.

Mobile Crowdsensing and Crowdsourcing참고 문헌 5인용 수 4

한 줄 요약

이 논문은 하위모듈러 함수 목표에서 선형 비용을 빼는 방식으로 기술 커버리지와 팀 비용을 균형 잡는 데 초점을 맞춘 새로운 팀 편성 모델을 제안한다. 증명 가능하고 근사 보장이 있는 근사 알고리즘을 사용하여 실시간 크라우드소싱 데이터에서 높은 효율성과 효과성을 달성하며, 팀 선택에서 비용-커버리지 트레이드오프에 일반화 가능한 프레임워크를 제공한다.

ABSTRACT

Motivated by online crowdsourcing platforms as well as applications that span human-resource management in industrial and research organizations researchers have studied extensively the team-formation problem. This problem has been primarily formalized as an optimization problem where the goal is to optimize some metric of the team performance, subject to the constraint that the team members should cover all the skills required by the task. In this paper, we generalize this problem formulation and set as our objective to optimize a function that maximizes the coverage of skills minus the cost of the corresponding team. This formulation appears as a more natural one, particularly in cases where one needs to strike a balance between the coverage achieved and the cost being paid. To the best of our knowledge we are the first to formalize the team-formation problem in this manner. From the algorithmic perspective, we demonstrate that by using simple variants of the standard greedy algorithm (used for submodular optimization) we can design algorithms that have provable approximation guarantees, are extremely efficient and work very well in practice. Our experiments with real data from online crowdsourcing platforms demonstrate the efficiency and the efficacy of our methods. Finally, we believe that our problem formulation and algorithms are of independent interest and can be used in many applications where there is a submodular objective and a linear cost.

연구 동기 및 목표

• 인간 자원 관리 및 크라우드소싱 플랫폼에서 팀 커버리지와 비용 간 균형 잡힌 접근의 필요성을 정당화한다.
• 이전 연구가 커버리지 또는 비용을 별도로 최적화하는 데 국한된 한계를 해결한다.
• 실제 세계의 트레이드오프를 반영하기 위해 커버리지에서 비용을 뺀 공동 최적화로서 팀 편성 문제를 수식화한다.
• 이 새로운 수식화를 위한 효율적인 알고리즘과 이론적 보장을 설계한다.
• 온라인 크라우드소싱 플랫폼의 실제 데이터를 사용하여 실용적 효능을 입증한다.

제안 방법

• 팀 편성 문제를 하위모듈러 함수(커버리지)에서 선형 비용 함수를 빼는 방식으로 최대화하는 것으로 수식화한다.
• 기존의 하위모듈러 최적화를 위한 근사 알고리즘을 조정하여 복합 목표를 처리할 수 있도록 Adapt한다.
• 새로운 목표 함수 하에서 제안된 근사 알고리즘의 근사 보장을 증명한다.
• 커버리지 함수의 하위모듈러성과 단조성 특성을 활용하여 알고리즘의 효율성을 확보한다.
• 실제 크라우드소싱 데이터셋에 대해 알고리즘을 구현하고 평가하여 성능을 검증한다.
• 하위모듈러 목표와 선형 비용을 가진 모든 응용 분야에 일반화된 도구로 이 프레임워크를 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 하위모듈러 함수의 커버리지와 비용을 체계적으로 균형 잡는 방식으로 팀 편성을 수식화할 수 있는가?
• RQ2 하위모듈러 최적화를 위한 근사 알고리즘은 복합 커버리지-비용 목표 하에서 이론적 보장을 달성하도록 어떻게 적응시킬 수 있는가?
• RQ3 실제 데이터 기반으로 제안된 알고리즘은 실용적으로 얼마나 효율적이고 효과적인가?
• RQ4 비용 한도를 다양하게 조절할 경우 팀 구성과 커버리지에 어떤 영향을 미치는가?
• RQ5 팀 편성 외의 더 넓은 응용 분야에서 이 수식화는 어떤 식으로 활용될 수 있는가?

주요 결과

• 제안된 커버리지에서 비용을 빼는 수식화는 팀 품질과 비용 간 트레이드오프를 명시적으로 모델링한 최초의 접근이다.
• 적응된 근사 알고리즘은 새로운 목표 함수 하에서 증명 가능한 근사 보장을 달성한다.
• 알고리즘은 매우 효율적이며 대규모 데이터셋에 잘 스케일링되어 실용적인 구현에 적합하다.
• 실제 크라우드소싱 데이터를 활용한 실험 결과, 커버리지와 비용 효율성 양면에서 뛰어난 성능을 보였다.
• 이 프레임워크는 하위모듈러 목표와 선형 비용을 가진 모든 문제에 일반화 가능하고 적용 가능하다.
• 단독으로 커버리지나 비용만 최적화하는 기존 기반선 방법보다 성능이 뛰어나다.