[论文解读] Offline and Online Incentive Mechanism Design for Smart-phone Crowd-sourcing

Ashwin Subramanian, G. Sai Kanth+1 more|arXiv (Cornell University)|Oct 7, 2013

Auction Theory and Applications参考文献 11被引用 8

一句话总结

本文提出 SMART，一种用于智能手机众包的离线激励机制，以及 ONLINE-SMART，一种在线激励机制，确保真实性、个体理性、盈利性和多项式时间复杂度。受 VCG 和贪心选择启发，SMART 通过选择边际效用为正的用户并相应设定支付，最大化平台效用，其在效用方面优于 M-sensing，同时保持相同的复杂度。

ABSTRACT

In this paper, we consider the problem of incentive mechanism design for smart-phone crowd-sourcing. Each user participating in crowd-sourcing submits a set of tasks it can accomplish and its corresponding bid. The platform then selects the users and their payments to maximize its utility while ensuring truthfulness, individual rationality, profitability, and polynomial algorithm complexity. Both the offline and the online scenarios are considered, where in the offline case, all users submit their profiles simultaneously, while in the online case they do it sequentially, and the decision whether to accept or reject each user is done instantaneously with no revocation. The proposed algorithms for both the offline and the online case are shown to satisfy all the four desired properties of an efficient auction. Through extensive simulation, the performance of the offline and the online algorithm is also compared.

研究动机与目标

• 设计一种智能手机众包激励机制，确保真实性、个体理性、盈利性和计算效率。
• 通过将 VCG 机制适配为可扩展的多项式时间算法，解决 VCG 机制中的组合复杂性挑战。
• 将离线机制扩展至在线设置，其中用户按顺序到达且决策不可逆。
• 确保所提出的算法在保持全部四项拍卖属性的同时，相比先前工作提升平台效用。
• 通过在不同任务完成率和观察阶段条件下使用竞争比指标分析在线算法的性能。

提出的方法

• 提出 SMART，一种离线算法，首先使用贪心选择形成筛选集，然后通过受 VCG 启发的边际效用分析进行优化。
• 将支付计算为与次优用户相比的边际效用增加量，加上该用户自身出价，以确保真实性。
• 通过先观察一部分用户形成参考集，将 SMART 适配至在线场景，形成 ONLINE-SMART。
• 将在线选择过程建模为在线 k-秘书问题，其中 k 个用户被观察以指导对剩余用户的决策。
• 利用观察到的用户资料，估计在选择阶段选择高价值参与者的最优阈值。
• 通过确保用户效用非负来保证所有机制的个体理性，并通过确保平台效用非负来保证盈利性。

实验结果

研究问题

• RQ1 如何在离线和在线设置下，为智能手机众包设计一种真实、计算高效的激励机制？
• RQ2 所提出的离线算法（SMART）与最优离线解之间的性能差距是多少？
• RQ3 在线算法（ONLINE-SMART）相对于离线最优解的竞争比是多少？
• RQ4 在线阶段观察的用户比例如何影响 ONLINE-SMART 的竞争比？
• RQ5 每位用户平均的任务完成率如何影响在线算法的性能？

主要发现

• SMART 在保持相同多项式时间复杂度并满足全部四项拍卖属性的同时，实现了比 M-sensing 更高的平台效用。
• 当用户平均完成总任务量的 20% 至 70% 之间时，SMART 相较于 M-sensing 的性能提升最为显著。
• 当初始阶段观察到约 32% 的用户时，ONLINE-SMART 达到最大竞争比，此时参考集质量与选择池大小达到最佳平衡。
• ONLINE-SMART 的竞争比随用户平均任务完成率的提高而增加，在用户完成约 30% 总任务时达到峰值。
• 当用户完成约 30% 总任务时，ONLINE-SMART 的最优观察比例最高，反映出参考集质量与选择可用性之间的权衡。
• 仿真结果证实，ONLINE-SMART 在不同任务完成率和观察阶段规模下均保持强劲性能，在现实条件下表现出一致的竞争比。