[论文解读] Risk-Aware Skill-Coverage Hybrid Workforce Configuration on Social Networks

Hui-Ju Hung, Guang-Siang Lee+3 more|arXiv (Cornell University)|Feb 28, 2026

Mobile Crowdsensing and Crowdsourcing被引用 0

一句话总结

论文在两层社交网络上定义了“风险感知技能覆盖混合人力配置（RSHWC）”，并提出可扩展的 GRIA 算法，在考虑技能覆盖、协作收益和基于接触的风险的前提下构建现场团队；给出 NP-hardness 证明并通过在真实网络上的实证验证，GRIA 相对于基线方法具有优势。

ABSTRACT

In hybrid workforce configurations, it is important to decide which employees should work onsite or remotely while ensuring the collaboration benefits against contact-based health risks and skill requirements. In this paper, we formulate the Risk-aware Skill-coverage Hybrid Workforce Configuration (RSHWC) problem on a two-layer social network that balances physical contact risks and social collaboration ties to meet skill requirements. We prove that RSHWC is NP-hard and propose the Guided Risk-aware Iterative Assembling (GRIA) algorithm, a multi-stage algorithm that combines risk-aware workforce construction, skill-preserving workforce refinement, and risk-reducing member replacement. Experiments on four real-world networks show that GRIA consistently outperforms state-of-the-art baselines under various settings.

研究动机与目标

• 平衡现场协作收益与基于接触的健康风险，推动混合人力配置。
• 在两层社交网络上将技能覆盖和疫情式风险约束结合起来，形式化 RSHWC 问题。
• 开发可扩展的算法（GRIA），联合优化风险感知构建、技能保留与风险降低的替换。
• 给出技能保留细化的理论保证，并在真实网络上展示相对于基线的实证优越性。

提出的方法

• 在两层网络上建模：接触网络 Gc 具有传染传播概率，伙伴关系网络 Gp 具有现场/远程协作分值。
• 定义一个现场集合 V* 及目标函数 alpha(V*)，表示现场成员的协作强度，受技能覆盖与小组风险预算约束。
• 通过从 Exact Cover by 3-Sets (X3C) 的化归证明 RSHWC NP-hard。
• 提出 GRIA：（i）基于风险感知的人力构建，贪心增加覆盖缺失技能且 tau_V*(v)/risk(v) 比值有利的人员；（ii）技能保留的人力精炼，剪除对贡献较低的现场人员同时保持可行性；（iii）风险降低的成员替换，用更安全的远程人员替换高风险现场人员，同时保持约束。
• 复杂度：GRIA 的运行时间为 O(|V|^2 * cr)，其中 cr 为风险计算成本，外加来自精炼与替换的线性因子。

实验结果

研究问题

• RQ1 在确保技能覆盖完整且受接触基数风险预算约束的前提下，如何最大化现场协作？
• RQ2 在真实网络中，风险感知的 GRIA 策略在不同技能集需求下是否优于现有基线？
• RQ3 GRIA 在不同网络规模和远程/现场有效性比下的可扩展性与鲁棒性如何？
• RQ4 技能保留的精炼是否能在提高效率与性能的同时可靠地保持可行性？

主要发现

• GRIA 在四个真实网络上始终实现最高的平均协作，较六个基线方法表现优越。
• 随着所需技能集规模的增加，GRIA 的性能优势仍在，表明在技能、协作与风险的联合处理方面有效。
• GRIA 的计算成本适中，在复杂度较高的基线（如 RWR）之上仍具备更高效性，同时相较纯结构方法稍慢，体现了加入风险感知与技能考虑的额外成本。
• GRIA 在不同的远程对现场有效性比下仍保持有效，展现对不同混合工作场景的鲁棒性。
• 在 Manhattan、Virginia、ca-GrQc、ca-HepPh 数据集上的实验显示，在可比风险预算下，GRIA 的目标值具有优势。