[论文解读] An Incentive Mechanism for Crowd Sensing with Colluding Agents

Susu Xu, Weiguang Mao+3 more|arXiv (Cornell University)|Sep 13, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 26被引用 3

一句话总结

本文提出了一种名为 InSensitive Mechanism 的激励机制，用于众包感知，即使在代理之间串通的情况下仍能保持有效性，在预算约束下确保最优的数据收集。在合成数据和真实世界实验中，该机制的数据收集效率比以往方法最高提升30%，并在同质和异质设置下均保持强大的理论保证。

ABSTRACT

Vehicular mobile crowd sensing is a fast-emerging paradigm to collect data about the environment by mounting sensors on vehicles such as taxis. An important problem in vehicular crowd sensing is to design payment mechanisms to incentivize drivers (agents) to collect data, with the overall goal of obtaining the maximum amount of data (across multiple vehicles) for a given budget. Past works on this problem consider a setting where each agent operates in isolation---an assumption which is frequently violated in practice. In this paper, we design an incentive mechanism to incentivize agents who can engage in arbitrary collusions. We then show that in a "homogeneous" setting, our mechanism is optimal, and can do as well as any mechanism which knows the agents' preferences a priori. Moreover, if the agents are non-colluding, then our mechanism automatically does as well as any other non-colluding mechanism. We also show that our proposed mechanism has strong (and asymptotically optimal) guarantees for a more general "heterogeneous" setting. Experiments based on synthesized data and real-world data reveal gains of over 30\% attained by our mechanism compared to past literature.

研究动机与目标

• 为解决现有众包感知机制中假设代理不串通这一关键缺口，该假设在实践中虽常见但常被违反。
• 设计一种激励机制，即使代理能够战略性地串通，也能保持高效的数据收集。
• 在所有代理具有相同阈值的同质设置下实现最优性能，匹配任何具备代理偏好先验知识的机制的理论上限。
• 在代理具有不同阈值且无法强制诚实申报的异质设置下，提供强且渐近最优的保证。
• 通过合成数据和真实世界数据，实证验证该机制相较于最先进方法的优越性。

提出的方法

• 提出 InSensitive Mechanism，一种对代理串通不敏感的激励设计，确保在特定条件下诚实出价始终为最优策略。
• 采用预算约束的多轮拍卖框架，代理出价其私有阈值，众包发起方向最大化数据收集分配支付。
• 采用基于优先级的选择规则，在预算紧张时优先选择阈值较低的代理，以提升效率。
• 推导异质设置下遗憾和性能损失的理论边界，表明即使无法强制诚实出价，该机制仍保持近似最优。
• 应用对代理在串通情况下的行为的创新分析，证明该机制在无需真实数据或阈值先验知识的情况下，仍能保持强性能保证。
• 使用合成数据和真实世界出租车轨迹数据进行数值评估，对比相同预算约束下与以往机制的性能表现。

实验结果

研究问题

• RQ1 能否设计一种激励机制，使得在允许代理串通的情况下，仍能保持众包感知中的高效数据收集？
• RQ2 在所有代理具有相同参与意愿阈值的同质阈值设置下，是否可能实现最优性能？
• RQ3 在更贴近现实的异质阈值设置下，该机制表现如何，其中代理具有不同的私有阈值？
• RQ4 该机制的性能可提供哪些理论保证，特别是在遗憾和预算利用率方面？
• RQ5 在实际应用中，该机制相较于现有最先进机制的优越性在多大程度上得以体现？

主要发现

• InSensitive Mechanism 在同质阈值设置下实现了最优性能，与任何具备代理偏好先验知识的机制的理论上限完全一致。
• 在异质设置下，尽管无法确保诚实出价，该机制仍提供了强且渐近最优的保证。
• 该机制在相同预算下，持续优于以往最先进机制，在合成数据和真实世界实验中均实现超过30%的数据收集提升。
• 当预算不足以支付所有代理时，该机制可确保至少 iN 项任务被完成，当有 i 个代理的阈值低于每轮预算限制时，遗憾极小。
• 即使代理串通，该机制仍保持强性能，因其设计对策略性行为（包括协同出价）不敏感。
• 实证结果表明，该机制的性能增益在不同数据分布和预算水平下均具鲁棒性，证实了其实际可行性。