[论文解读] Can Early Joining Participants Contribute More? - Timeliness Sensitive Incentivization for Crowdsensing

Yuedong Xu, Yifan Zhou+3 more|arXiv (Cornell University)|Oct 5, 2017

Mobile Crowdsensing and Crowdsourcing参考文献 18被引用 3

一句话总结

本文提出了一种基于两阶段Tullock竞赛框架的时效敏感激励机制，用于众包感知，其中早期贡献者可获得更高奖励，以激励其付出更大努力。通过将请求方的协调行为建模为Stackelberg贝叶斯博弈，证明了贝叶斯纳什均衡的存在性与唯一性，并表明在预算约束下，最优选择受奖励的贡献者（最早-n人）或终止时间可显著提升感知效率。

ABSTRACT

This paper investigates the incentive mechanism design from a novel and practically important perspective in which mobile users as contributors do not join simultaneously and a requester desires large efforts from early contributors. A two-stage Tullock contest framework is constructed:at the second stage the potential contributors compete for splittable reward by exerting efforts, and at the first stage the requester can orchestrate the incentive mechanism to maximize his crowdsensing efficiency given the rewarding budget. A general reward discrimination mechanism is developed for timeliness sensitive crowdsensing where an earlier contributor usually has a larger maximum achievable reward and thus allocates more efforts. Owning to the lack of joining time information, two practical implementations, namely earliest-n and termination time, are announced to the contributors. For each of them, we formulate a Stackelberg Bayesian game in which the joining time of a contributor is his type and not available to his opponents. The uniqueness of Bayesian Nash equilibrium (BNE) is proved in each strategy. To maximize the requester's efficiency, we compute the optimal number of rewarded contributors in the earliest-n scheme and the optimal deadline in the termination time scheme. Our contest framework is applicable not only to the closed crowdsensing with fixed number of contributors, but also to the open crowdsensing that the arrival of contributors is governed by a stochastic process. Extensive simulations manifest that with appropriate reward discriminations, the requester is able to achieve a much higher efficiency with the optimal selection of the number of rewarded contributiors and the termination time.

研究动机与目标

• 为解决在众包感知中激励早期参与的挑战，其中及时数据更具价值。
• 设计一种基于加入时间的激励机制，优先奖励更早加入的贡献者。
• 在固定预算下，同时考虑贡献者加入时间的不完全信息，最大化请求方的感知效率。
• 开发实用且可实施的方案——最早-n人方案与终止时间方案——以实现最优的奖励差异化。
• 证明所提出的博弈论框架中贝叶斯纳什均衡的存在性与唯一性。

提出的方法

• 构建一个两阶段Tullock竞赛模型，贡献者根据努力程度竞争可分割的奖励，请求方在第一阶段设定激励。
• 将加入时间建模为Stackelberg贝叶斯博弈中的私有类型，贡献者无法观察彼此的类型。
• 提出一种通用的奖励差异化机制，为更早加入的贡献者分配更高的最高奖励，以激励其付出更大努力。
• 提出两种实用实现方案：最早-n人方案（奖励前n名最早加入的贡献者）与终止时间方案（设定一个奖励资格截止时间）。
• 推导出贝叶斯纳什均衡（BNE）的解析表达式，并在两种方案下证明其唯一性。
• 通过预算约束与预期支出模型，计算最优受奖励贡献者人数（n）与最优终止时间（T），以优化请求方的效率。

实验结果

研究问题

• RQ1 请求方如何设计一种激励机制，以在加入时间信息不完全的众包感知系统中优先奖励早期贡献者？
• RQ2 在固定预算下，奖励参数（如受奖励贡献者人数或截止时间）的最优配置是什么，以最大化感知效率？
• RQ3 Stackelberg贝叶斯博弈框架能否有效建模时效敏感众包感知中贡献者与请求方之间的战略互动？
• RQ4 所提出的奖励差异化机制是否能导致贡献者行为的唯一且稳定均衡？
• RQ5 在固定或随机贡献者到达的封闭与开放众包感知系统中，该机制的性能如何？

主要发现

• 所提出的奖励差异化机制通过激励早期贡献者付出更高努力，显著提升了感知效率。
• 在最早-n人与终止时间方案中，贝叶斯纳什均衡（BNE）均被唯一确定，确保了战略行为的稳定性。
• 在最早-n人方案中，最优选择受奖励贡献者人数（n）相比均匀奖励方案，可带来效率的显著提升。
• 在终止时间方案中，推导出最优截止时间（T），在满足预算约束的前提下最大化效率，仿真结果表明其性能优于非优化配置。
• 该框架适用于封闭系统（固定数量贡献者）与开放系统（随机到达），展现出广泛的实用价值。
• 大量仿真结果证实，通过适当的奖励差异化，请求方可实现更高效率，尤其在选择最优n或T时表现更优。