论文记录-众包相关论文调研

2022-05-06

字数统计: 10.9k | 阅读时长≈ 38 分钟

1-Two-Stage Auction Mechanism for Long Term Participation in Crowdsourcing

针对小型任务的众包（例如：图像打标签、录音），workers愿意完成的任务数量上限不同，并且会在投标阶段谎报；拍卖随时间推移重复多轮，失败的workers可能退出系统。

针对的问题：workers竞标时说的任务数量不一定真的能完成。workers通常可以负担大量的工作，尽管由于时间限制和边际收益递减会有一定的限制。此外，workers很难确保他们所有的工作都符合requester设定的质量标准，因此，requester需要根据工作的实际数量支付报酬。

本文思路：workers的投标包括单个任务的报酬、自己愿意完成的最大任务数量和自己实际完成的任务数量。基于迈尔森拍卖机制推广得到两阶段博弈机制（这部分公式非常相似），证明了该机制的激励相容和个体理性；提出了使得requester能在成本效率和公平性之间取得平衡的任务分配机制，从而让wokers有意愿长期留在系统中参与众包。

使用参数进行了仿真实验分析。

这篇文章后面出现了直接成本和间接成本，还没有细看是什么。

利用用户之间的社会影响作为激励来激励用户的参与，以降低招募用户的成本。设计了激励机制，以实现高质量的众包数据和低成本的激励用户参与为目标。

把用户的社会影响力看作是一个影响用户完成任务所需成本的参数。设计两阶段博弈，第一阶段通过任务分配最大化质量，第二阶段通过决定招募用户的顺序来最小化成本。

在完全信息情景下，设计了任务分配和用户招聘机制，以优化数据质量，同时降低激励成本。在部分信息场景中，用户的质量和成本是未知的。由用户上报质量和成本，假设是异构任务，利用任务之间的相互关系来克服信息不对称。在动态社会影响场景中，考察了用户社会影响力的动态性，并为用户设计额外的奖励，以充分利用社会影响力，实现最大限度的成本节约。

使用数值结果来评估激励机制。

现有研究大都在大量workers的场景下分析如何选择workers，本文则针对有限人数的众包系统中的参与不足问题，提出利用社会网络招募完成任务的员工，扩大员工库。提出了一种动态激励机制，SocialRecruiter，鼓励众包平台上的工作人员通过社交网络传播任务，从而邀请朋友加入众包平台，进一步传播和完成任务。

受SIR传染病模型的启发，本文提出了一个新的任务特定的传染病模型来刻画用户在任务传播和通过社会网络完成任务时的状态变化。为了鼓励员工完成和传播任务，根据员工的行为给予宣传奖励和完成奖励。特别是，为了在财务预算内最大限度地完成任务，根据实时员工招聘进度，在每个周期动态更新奖励的宣传和完成情况。

在两个真实数据集上的大量实验结果表明，社会化招聘者在员工招聘和任务完成方面的表现优于最先进的方法。

这个和任务分配以及众包其实关系不大，有点拼多多拉新用户砍一刀的感觉。

本文的共谋场景在于：恶意接包方和发包方勾结从而在声誉系统中刷好评。针对众包中的共谋问题，引入完全可信的雾服务器平台进行众包数据交易。提出了一种新的基于响应者行为的声誉激励机制，使用攻防博弈来建模雾服务器平台和响应者之间的相互作用，通过这种相互作用建立一个社会福利最佳化问题，使系统的社会福利最大化。其次，利用复制动力学方程求出了博弈均衡，并讨论了博弈的稳定性。进行了仿真实验。

从摘要看也和任务分配没什么关系。

5-Hierarchical Pricing Mechanism With Financial Stability for Decentralized Crowdsourcing A Smart Contract Approach

传统众包平台的集中性会带来信息披露和审计不透明问题，本文引入区块链系统，通过两个专用的智能合约集成了任务分配和资源借贷的功能。其次，为了保证区块链激活市场的金融稳定性，并使接受任务的难度与工作人员的能力相匹配，我们设计了一种基于经济建模方法和异质代理理论的动态分层定价机制。在这种机制下，根据顾客报酬和员工资源的市场价值，市场被动态地划分为多个层次。提出了额外的限制，以避免工人在资源借贷过程中可能的恶意交易行为。我们从理论上证明了模型的合理性，并对模型的动力学性质进行了论证。我们证明了市场价格和需求是收敛的，并测试了执行这两个智能合同的成本。最后，大量的实验结果验证了该平台的正确性和可行性，并证实了分层定价机制能够保持市场的稳定性。

时间问题没来得及看这篇中分配任务的合约是怎么设计的。

第6篇是我的，略

7-Strategic Information Revelation Mechanism in Crowdsourcing Applications Without Verification

这篇是看过的黄建伟老师的论文。

本文研究：无需验证解决方案、激励员工提供高质量解决方案的众包平台
本文假设：信息不对称、平台具有信息优势——平台知道有关workers解决方案的平均准确性的更多信息，可以向workers策略性披露信息。根据平台公开的信息，workers判断自己认真完成任务后所获得的奖励。
workers类型：
1. naive workers：完全信任平台公开的信息
2. strategic workers：基于平台公开信息更新自己的先验信念
本文发现：
1. 对于naive workers：始终宣布高平均精度
2. 对于strategic workers：有动机宣布低于实际值的平均精度
3. 平台的回报可能减少高精度workers

8-Generalized Lottery Trees Budget-Balanced Incentive Tree Mechanisms for Crowdsourcing

现有研究大多假设用户已经处于众包系统中并知道众包任务，然而，在没有这种假设的现实生活场景中，更有效的做法是利用激励树机制，激励用户的直接贡献和对其他用户的诱惑。本文提出预算平衡激励树机制，称为广义彩票树。

也和任务分配没有关系

在空间众包场景下，大多数现有的工作假设工人的素质是事先知道的，或不能考虑到所有各方的效用一起，特别是没有考虑到社会网络的影响。针对同时招募高素质的工人和最大限度地发挥各方的效用这一目标，提出了一种基于多臂老虎机和三阶段 Stackelberg 博弈的激励机制，称为 TACT。首先设计了一个贪婪选臂方案来招募工人，这不仅可以解决探索-剥削的困境，而且考虑到工人的社会关系。在招聘结果的基础上，进一步设计了考虑劳动者社会利益的效用函数，并将支付计算问题建模为三阶段 Stackelberg 博弈。接下来，推导出最优策略群，使每一方都能最大化自己的效用，从而形成一个多赢的局面。并从理论上证明了Stackelberg 均衡的唯一存在性和最坏后悔界的存在性。

我们在一个真实的轨迹上进行了广泛的模拟，以证实 TACT 的性能。

这个主要是招募workers，具体是否有任务分配还不了解。

列表中的第10篇和前面第3篇重复了。

11-Differentially Private Mechanisms for Budget Limited Mobile Crowdsourcing

本文考虑了在激励用户参与众包这一过程中的隐私问题。在本文的场景中，移动众包平台的目标是在一个预算限制下最大化众包收入，而用户期望是最大化他们的效用，同时保护他们的成本隐私。大致浏览了一下应该是用多臂赌博机在预算限制下实现最大化收入，用差分隐私实现隐私保护。

偏重隐私保护，不确定是否有任务分配和定价等内容。

12-Privacy-Preserving Incentive Mechanisms for Truthful Data Quality in Data Crowdsourcing

接包方的任务质量与数据是隐私信息，因此她有动机谎报。此外，接包方的质量和数据可能依赖于一些敏感信息（例如位置），这可以从对手的任务分配和数据聚合的结果中推断出来（没理解这句话）。本文设计了保护隐私的机制（PDQE）来获取接包方的质量和数据。在这些机制中，本文设计了不同的私有任务分配和数据聚合算法，以防止从这些算法的结果推断接包方的质量和数据。与此同时，这些机制还鼓励接包方如实报告质量和数据，并做出预期的努力。我们首先关注单个任务的机制(S-PDQE)，然后将其扩展到多个任务的情况(M-PDQE)。我们进一步证明，这两种机制实现了一个有限的性能差距相比，最优策略。

我们使用基于真实数据的仿真来评估所提出的机制，这些仿真证实了它们在真实数据质量提取、数据准确性和隐私保护等方面的优良性能。

这篇应该有涉及任务分配的内容，时间关系没有详细看了。

13-Reward or Penalty Aligning Incentives of Stakeholders in Crowdsourcing

本文针对二值众包问题场景（例如接包方只需要回答是或者否），考虑三方利益：接包方、发包方和众包平台，分析四个评价指标：质量、成本、延迟和平台改进。从整个众包系统的角度出发，设计了一个众包机制，将利益相关者的动机结合起来。具体来说，根据接包方的报告解决方案给予其奖励或处罚，在此基础上，找到了一系列合适的奖惩函数对，并计算出接包方的个人秩序值，这些秩序值可以根据接包方的报告信念和个人历史绩效提供不同的奖惩数额，同时保持接包方的激励。该机制有助于延迟控制，促进众包系统的质量和平台演进，并改进上述四个关键评价指标。理论分析和实验结果分别验证和评价了提出的机理。

没有细看方法，粗略浏览感觉像是根据先验信念等估计接包方的准确性等。

本文针对的场景是社交网络中的团队众包，即发包方雇佣一个专业workers团队，而团队内的接包方有社交关联，可以协同工作。在传统的最大化社会福利的机制下，存在自私的接包方会损害发包方的利益，为避免这一问题，本文提出了两种有效机制来优化社会福利，同时降低不同规模应用的时间复杂度。对于小规模的应用，如果任务需要少量的技能，则首先从社会网络中提取出一个二叉树网络，然后在二叉树中形成一个基于动态规划的最优团队。对于任务需要大量技能的大规模应用，根据工人的社会结构、技能和工作成本使用贪婪算法形成团队。

这篇应该有任务分配问题，不过还没看是怎么分配的。

15-Eliciting Information from Heterogeneous Mobile Crowdsourced Workers Without Verification

本文场景：

workers求解准确率异构（即，不同workers以不同概率生成高质量数据）
考虑数据质量与平台成本之间的平衡

本文方法：多数投票机制

需要解决的问题：

给定奖励，多数投票机制下，异构workers会如何行动；
workers的异构性如何影响平台的最优奖励设计和均衡；
在提升平台均衡方面，知道workers异构方案准确性有什么价值。

本文的两阶段博弈：

平台决定多数投票机制的奖励等级，目标是最大化收益，该收益考虑了workers解决方案质量和平台总支出之间的均衡；
每个worker选择自己的努力等级和报告策略，目标是最大化自己收益。

本文考虑两种情况：

不完全信息博弈（平台不知道workers的准确率）
完全信息博弈（平台知道workers的准确率）

本文贡献：

分析了IEWV问题中异构workers场景下的平台均衡
分析了多均衡共存的场景
刻画了workers的最优策略
刻画了workers异构性对平台均衡的影响
刻画了得知workers异构性的价值

16-Data Poisoning Attacks and Defenses in Dynamic Crowdsourcing with Online Data Quality Learning

为了提高数据的准确性和成本效益，工人的数据质量可以通过在线方式从他们的数据中学习，可以用于任务分配和数据聚合。然而，众包很容易受到数据病毒攻击，攻击者报告恶意数据以降低聚合数据的准确性。

本文研究了任务按顺序分配和执行的动态众包中的恶意数据攻击，探讨了作为一种防御机制的在线质量学习如何通过发现低质量的恶意工作者来抵御攻击。首先关注每个接包方的质量都被请求者准确学习的渐近设置，然后在此基础上转向一般的有误差非渐近设置。对于每个设置，首先描述了攻击策略可以有效降低聚合数据准确性的条件。结果表明，恶意噪声方差需要在一定范围内的攻击是有效的。然后分析了有效攻击策略的危害。研究结果表明，由于有效的攻击，在线质量学习算法的遗憾性会增加。为了进一步减轻攻击，研究了基于估计的数据聚合作为防御机制的中值和最大影响。研究结果为数据中毒攻击的影响提供了有用的见解，当在线高质量学习被用来抵御攻击时。我们通过基于真实数据的大量仿真结果对提出的攻击和防御方案进行了评估，验证了攻击和防御方案的有效性。

这篇论文偏向数据污染问题，和我们可能关系不大。

17-Using Truth Detection to Incentivize Workers in Mobile Crowdsourcing

众包模式相比于传统机构的工作模式，其工人通常是高度分散的，且工作过程也是不受监督的，这给他们上报低质量的解决方案提供了温床。并且这种现象在众包平台无法验证工人解决方案的质量时尤为突出。比如，在慕课上的学生作业互评，就曾出现过网上学生恶意打分的现象。

在平台无法验证工人提交的解决方案时，现有的众包激励机制主要通过对比不同工人上报方案之间的相似性来进行奖励，而这有可能造成众包工人共谋。比如，目前比较流行的激励方法是输出一致机制。在输出一致机制中，当一个工人和其他工人的上报方案高度一致时，这个工人会获得奖励。可是，在上述机制下，如果平台不能对工人进行有效的管控，那么工人之间可以共谋上报相同但低质量的方案。这种情况对平台来说是灾难性的，因为不仅平台得到的方案质量低，而且还需要给每一个工人发放奖励。

为了缓解上述的工人共谋问题，我们创新性地提出一种测谎机制。具体而言，工人们不再因为自己的上报方案和其他工人相似而获得奖励，而是根据工人回答一个指定测谎问题的答案进行计算。我们可以发现，基于该测谎问题的激励设计会可以有效缓解工人共谋。这是因为，众包工人能否获得奖励只和自己对测谎问题的回答有关，而不和他人的上报方案有关。

其实在现实世界中，我们已经发现测谎技术的一些应用场景了。比如一些欧洲国家在边境检查的时候利用测谎技术来对过境人士的身份进行认证（详情请见：https://iborderctrl.no/）。然而，测谎机制的底层技术还不够成熟，一般而言能达到的准确率也不高（普遍低于65%）。为了最大化平台的利益，我们提出了一个近似凸的测谎机制优化框架。在该框架下，我们发现即使测谎精度只有60%，我们的机制实现的平台收益可以超过在测谎精度为100%下平台收益的85%。这表明我们提出的测谎机制有良好的系统表现。

这篇是黄建伟老师团队的，上述总结为公众号直接复制。看参考文献有贝叶斯实话血清的那个论文，推测是用了一样的方法。

18-Towards Personalized Task-Oriented Worker Recruitment in Mobile Crowdsensing

移动众包系统中的任务通常具有时间敏感性和位置依赖性，这在员工招募中也起着至关重要的作用。基于此，本文提出了一种新颖的基于个性化任务驱动的移动众包系统员工招募机制，该机制基于对员工偏好的详细刻画，充分利用内容信息(例如，任务类别，任务描述)与上下文信息(例如，任务时间，任务位置)从工人出勤的隐性反馈，以准确地模型工人对任务的偏好。大致方法是做了一个分类器，识别workers所属的类别，进而分配相同类别的任务。

19-Eliciting Joint Truthful Answers and Profiles from Strategic Workers in Mobile Crowdsourcing Systems

在移动众包场景中，workers需要上传自己的个人信息（例如位置、专业能力等），本文设计激励机制保证workers上传的是真实信息，并招募志愿者进行了真实实验。

这篇论文也是针对二值回答的众包问题，用的方法基于贝叶斯推断，看上去和黄建伟老师那个有点像，没细看。

20-Heterogeneous Multi-Task Assignment in Mobile Crowdsensing Using Spatiotemporal Correlation

现有的多任务分配方法大多侧重于同类任务，由于不同的时空任务需求和感知环境，众包系统中的任务往往在许多方面存在差异(如空间覆盖率、时间间隔)。为此，本文提出并形式化了移动众包系统中一个重要的异构多任务分配问题（HMTA），并尝试最大化数据质量和最小化总的激励预算。利用异构任务之间的隐含时空相关性，提出了一种两阶段 HMTA 问题求解方法，有效地处理共享资源池中的多个并发任务。最后，为了提高分配搜索效率，设计了一个分解组合框架来适应大规模的问题/情景。我们广泛地使用两个大规模的真实世界数据集来评估我们的方法。实验结果验证了该方法的有效性和有效性。

具体是怎么解决的还没细看。

21-Secure Crowdsensed Data Trading Based on Blockchain

本文提出了一个基于区块链的众包数据交易(BCDT)系统，该系统靠智能合约保证数据交易的可靠性，采用基于区块链的反向拍卖(BRA)将感知任务分配给接包方，该机制可以保证数据收集者如实报告数据收集成本，防止卖方操纵拍卖。此外还实现了一个基于同态密码的安全真相发现和可靠性评级机制(STDR) ，该机制可以激励接包方上传真实数据，鼓励发包方在不泄露数据隐私的情况下，根据收集到的数据对接包方的可靠性进行真实评级。在以太坊测试网络上进行了智能合约的性能测试。

列表中的第22篇和前面第2篇重复了。

23-Two Stage Game Design of Payoff Decision-Making Scheme for Crowdsourcing Dilemmas

为了解决发包方和众包平台之间的合作困境，首先提出了一种基于信誉质量规则的发包方动态支付方法，然后开发了一种估算平台成本的合作评估算法，最后设计了一个共同确定算法来判断平台是否采用了合作策略。

为了解决众包平台与员工之间的服务质量困境，首先提出了一种拍卖筛选方法来估算员工的合理招聘范围，并利用成本评价算法对其进行优化，然后利用报酬分配方法来激励员工按时、高质量地完成任务。

24-Data-Driven Pricing for Sensing Effort Elicitation in Mobile Crowd Sensing Systems

一些众包场景通过数据聚合来评估接包方的数据质量，但面临接包方策略性降低传感工作效率（存疑，原文是strategic reduction of their sensing effort）的问题，基于此，本文提出了一种名为 Theseus 的支付机制，它处理工人的这种战略行为，并激励工人的高努力感知。我们确保，在Theseus诱导的非合作博弈的贝叶斯纳什均衡点中，所有参与的工作人员都将尽可能地花费在感知上，从而提高了他们的数据质量。

该机制具体是怎么实现的没有看。

25-Truthful Mobile Crowdsensing for Strategic Users With Private Data Quality

众包数据准确性与接包方的私有信息相关，接包方可能出于个人利益控制这些信息和自己的努力程度，进而导致发包方对数据准确性有错误认知。本文设计了质量和努力启发(QEE)的真实众感机制，激励策略型用户如实地揭示他们的个人质量，如实地按照请求者的要求做出努力。QEE机制通过克服用户数据对其私有质量和隐藏努力的复杂依赖性来实现真实的设计。在 QEE 机制下，我们证明了发包方的最优努力分配(RO)只分配给具有最小“虚拟估值”的最优用户，这取决于用户的质量和质量的分布。我们还发现，随着用户数量的增加，RO 努力分配和社会最优努力分配之间的性能差距减小，并渐近收敛到0。我们进一步讨论了 QEE 机制的一些扩展。

具体实现方法没看。

26-Differentially Private Incentive Mechanism for Crowdsourced Radio Environment Map Construction

本文提出了一种基于众包的频谱感知的差分私有逆向拍卖机制。提出的机制允许 DBA 选择预算限制的频谱感知参与者，同时提供差别投标隐私、近似真实性和近似准确性最大化。

27-Mechanism design games for thwarting malicious behavior in crowdsourcing applications

是春池的论文。

采用发包方主导的契约型反恶意众包机制，根据个体恶意众包和集群恶意众包的不同特性，发包方将针对性地提出满足激励相容原则的契约，迫使接包方按照契约根据自己的真实私有信息（包括与恶意攻击相关的真实信息）制定最优策略，并据此可使发包方反推自己的最优策略，实现资源的最佳配置（最优任务量和最优酬金），通过经济手段遏制恶意众包。

设计接包方参与的契约型反恶意众包机制，使得接包方可针对契约制定提出意见、发包方在意见约束下制定契约，最终实现隐私保护的全局帕累托最优。

28-Minimizing Entropy for Crowdsourcing with Combinatorial Multi-Armed Bandit

衡量最终聚合结果的不确定性的工作者结果的经验熵，自然成为评估众包任务结果的一个合适的度量。因此，本文设计了一个工人选择机制，使参与者提交的结果的经验熵最小化。具体来说，我们将连续到达任务下的工作者选择规划为一个组合多臂老虎机问题，该问题将每个工作者视为一只手臂，旨在学习最佳的手臂组合，以最小化累积的经验熵。利用信息论方法，详细推导了经验熵极小化的置信上界估计，并将其应用到最小熵置信上界(ME-UCB)算法中，以平衡勘探与开发。

总的来说就i是用多臂赌博机的模型，把经验熵作为衡量赌博机的遗憾函数。

29-Truthful Incentive Mechanisms for Crowdsourcing

针对接包方之间的竞争与合作，建立3种众包模型，并分别设计激励机制。

SS模型：一个发包方，一个投标（指每个接包方报价时只能报一个任务和自己愿意做任务的最低报酬）

SM模型：一个发包方，多个投标（指每个接包方报价时可以报多个任务和对应的最低报酬）

MM模型：多个发包方，多个投标

具体的方法还需要之后再看。

30-Crowdsourcing System for Numerical Tasks based on Latent Topic Aware Worker Reliability

本文针对的场景是采用依据主题进行任务分配的众包系统，本文旨在对数值任务中潜在主题的细粒度工作者可靠性进行精确估计，以进一步提高结果质量。提出了一种基于工作者行为的贝叶斯概率模型——高斯潜在主题模型(GLTM) ，用于挖掘数值任务的潜在主题，并估计工作者的主题级可靠性。利用该算法，提出了一种真值推理算法 ti-GLTM，可以同时准确推断任务的真值和主题，并动态更新工作者的主题级可靠性。我们还设计了一种在线任务分配机制，称为 MRA-GLTM，该机制利用最大限度减少模糊度原则为工作者分配合适的任务。

31-MOMD A multi-object multi-dimensional auction for crowdsourced mobile video streaming

针对场景：移动视频流资源共享，让附近的移动视频用户聚合他们的网络资源，以提高视频流的性能。

问题：用户自私，用户的异步下载行为以及对多比特率编码视频的私有估值

本文方法：基于多目标多维拍卖的激励框架，通过这个框架，用户可以下载多个不同比特率的视频片段给多个邻近的用户(和他们自己)。基于这一激励框架，我们提出了维克里分数拍卖，这是第一个多目标多维度拍卖，达到了真实性和效率。

32-Incentivizing crowdsourcing systems with network effects

将网络效应看作是内在奖励的影响因素，并研究其对外在奖励设计的影响。我们没有假设参与者是固定的，而是展示了参与用户的数量进化到一个稳定的平衡，这要归功于网络效应和众包者提供的外部奖励之间的微妙互动。考虑到网络效应，我们设计了更复杂的外部奖励机制，并为众包者提出了新的最优策略以获得更高的效用。

这个网络效应实际上和前面的社会关系、社会影响等是一样的。

33-Truthful online double auctions for dynamic mobile crowdsourcing

把移动众包场景中发包方和接包方的双向互动建模为在线双向拍卖，明确考虑到用户和供应商的动态特性。我们提出了一个通用框架，用于设计动态移动众包的真实在线双向拍卖。该框架是表达性的，可以与不同的价格时间表。我们提出了四个价格表的价格排序在线双向拍卖来实现该框架，适用于不同的场景。

34-How to crowdsource tasks truthfully without sacrificing utility Online incentive mechanisms with budget constraint

现有的大多数机制仅适用于所有用户信息都是先验知道的离线场景。相反，我们关注的是一个更加现实的场景，在这个场景中，用户以随机顺序一个接一个地到达网上。基于在线拍卖模型，我们研究了用户到达时向众包者提交其私有类型的问题，众包者的目标是在指定的截止日期之前选择一个用户子集，以最大化选定用户在预算线下提供的服务的价值(假设是一个非负的单调子模块函数)。我们设计了两个在线机制，OMZ 和 OMG，分别满足零到达-离开时间和更一般情况下的计算效率、个体理性、预算可行性、真实性、消费者主权和持续竞争性。

这篇看起来是结合了拍卖和排队论

35-Reputation-based incentive protocols in crowdsourcing applications

内在的激励问题存在于众包应用中，因为员工和请求者都是自私的，他们的目标是战略性地最大化他们自己的利益。本文提出了一种基于重复博弈的新的博弈论模型来激励员工努力工作。针对工人追求自身利益时出现的非合作均衡与理想帕累托有效结果之间的社会福利差距，本文提出了一类基于社会规范的激励协议，将声誉机制与众包网站目前实施的定价机制相结合，以改善这类应用中出现的非合作均衡的性能。我们首先在一个众包网站上制定交换双边市场，请求者和工作者相互匹配，并重复博弈。随后，我们研究了协议设计者如何为该网站寻找一个最优且可持续的(均衡)协议以获得最高的社会福利的问题。我们证明了提议的激励协议可以使网站运行接近帕累托最优。此外，我们还研究了另一个场景，其中协议设计者的目标是最大化网站的收入，并评估最优协议的性能。

36-TRAC: Truthful auction for location-aware collaborative sensing in mobile crowdsourcing

在这篇文章中，我们解决了激励智能手机用户加入智能手机移动众包应用程序的问题。与现有的机构设计工作不同，我们在智能手机传感任务分配时，独特地考虑了位置信息的关键维度。然而，位置感知在很大程度上增加了理论和计算的复杂度。在本文中，我们引入了一个逆向拍卖框架来建立平台和智能手机之间的交互模型。我们严格地证明，最佳地确定中标是 NP 难的。本文设计了一种由两个主要部件组成的 TRAC 机构。第一部分是一个近似最优的近似算法，用于确定中标的多项式时间计算复杂度，它逼近的最优解在1 + ln (n) ，其中 n 是一个智能手机可以容纳的感知任务的最大数量。第二个组成部分是一个关键的支付方案，它保证提交的智能手机报价反映了执行感应任务的实际成本。

这篇具体是什么方法还没看。

37-Incentivize crowd under budget constraint

在这篇论文中，我们关注于激励群体工作者将一系列二元任务标记为严格的预算线。在众包系统中，我们正确地描述了任务的难度级别和工人的质量，在众包系统中，收集到的标签用序列贝叶斯方法进行聚合。为了激励员工进行群体标记任务，员工和平台之间的互动被建模为一个反向拍卖。我们揭示了平台效用最大化可能是难以解决的，为此我们提出了一个激励机制，用多项式时间计算复杂度来确定中标和付款。并从理论上证明了我们的机制是真实的、个体理性的、预算可行的。

38-Free Market of Crowdsourcing Incentive Mechanism Design for Mobile Sensing

现有研究没有考虑到智能手机用户在感兴趣的领域的机会主义性质。具体来说，对于一般的智能手机感应应用程序，该平台会在每个用户到达时分配任务，并根据用户的回复立即做出决定。为了适应这种一般情况，我们设计了三种基于在线逆向拍卖的在线激励机制： TBA、 TOIM 和 TOIMAD。TBA 旨在追求平台效用最大化，TOIM 和 TOIM-ad 则实现了真实性的关键属性。所有的机制都具有期望的计算效率、个体理性和收益性。此外，与最佳离线解决方案相比，它们具有很强的竞争力。

这篇也是用了拍卖，看上去可能还考虑了前面的社会关系。

39-Expertise-Aware Truth Analysis and Task Allocation in Mobile Crowdsourcing

针对众包数据准确性问题，现有方案大多从噪声数据中推断和利用移动用户的可靠性来识别真实性的技术，并将任务分配给具有较高可靠性的用户。但是存在问题：用户可能只对某些问题(在某些领域)具有专业知识，而对其他问题没有专业知识，从而导致真值分析的估计精度低和任务分配无效。

基于此，本文提出了专家意见真值分析和任务分配(ETA 2) 方案，它可以有效地推断用户的专家意见，然后根据推断出的专家意见评估真相和分配任务。ETA 2依赖于一种新颖的语义分析方法来识别专家，以及一种专家意识的真理分析方法来发现真理。针对 ETA 2中基于专家意识的任务分配问题，本文提出并解决了两个基于优化目标的问题: 最大质量任务分配问题和最小成本任务分配问题。基于两个实际数据集和一个合成数据集的实验结果表明，ETA 2的性能明显优于现有的解决方案。

这篇具体是怎么进行任务分配的还需要再看看。

40-Online mobile Micro-Task Allocation in spatial crowdsourcing

现有的研究大多集中在离线场景上，给出了微任务和群体工作者的所有时空信息。然而，由于微任务和群体工作者在实际应用中是动态出现的，而且他们的时空信息是不能事先知道的，因此这种方法是不切实际的。针对现有离线方法的不足，本文首先提出了一个更为实用的微任务分配问题，称为空间众包(GOMA)中的全球在线微任务分配问题。我们首先将在线最大加权二部匹配问题的最新算法扩展到
GOMA 问题作为基线算法。虽然基线算法为最坏情况提供了理论保证，但由于最坏情况发生的概率在现实世界中非常低，其实际平均性能不够好。因此，我们考虑了在线算法的平均性能，即在线随机序列模型，提出了一个基于两阶段的框架，在此基础上我们提出了在线随机序列模型下1/4竞争比的 TGOA 算法。为了提高其效率，我们进一步设计了 TGOA-Greedy 算法，该算法运行速度快于 TGOA 算法，但竞争比为1/8。

41-Multi-Objective Optimization based Allocation of Hetrogeneous Spatial Crowdsourcing Tasks

在本文中，我们考虑一个空间众包场景：除了特定的空间约束，每个任务有一个有效的持续时间，操作复杂性，预算限制，和所需的工人数量。每个志愿工作者在完成日常工作的同时完成指定的任务。该系统具有期望的任务概率覆盖率和预算线。在这种情况下，我们研究了一个重要的问题，即异质空间众包任务分配问题(HSC-TA)，该问题致力于为多目标最佳化问题搜索一组具有代表性的帕累托最优分配方案，使分配的任务覆盖最大化，同时激励成本最小化。为了适应异质空间众包中的多种约束条件，我们建立了一个与分配过程相一致的工作者移动行为预测模型。证明了 HSC-TA 问题是 np 难问题。我们提出了有效的启发式方法，包括多轮线性权重优化和增强的多目标粒子群优化算法，以实现足够的帕累托最优分配。

以往的众包研究通常采用面向个人的方法，将任务外包给个人员工或基于团队组成的方法，将任务外包给人为组成的员工团队。如今，工人们通常通过社交网络自然而然地组织成群。为了解决实际众包系统中的群体工作者这一常见问题，本文探讨了一种新颖的众包范式，其中任务分配目标是自然存在的工作者群体，而不是像以前那样是个体工作者或人工组成的团队。由于一个自然群体可能不具备完成复杂任务所需的所有技能，并且需要与社会网络环境中的其他群体进行协调，因此提出了语境众包价值的概念，通过与其语境群体进行协调来衡量一个群体完成任务的能力，语境群体决定了该群体被分配任务的优先级;然后，设计了任务分配算法，包括分配群体和实际参与执行任务的工人。在现实数据集上的实验表明，与以往的基准个体导向和团队组建方法相比，我们提出的面向群体的方法几乎总是能够获得更好的协同性能、一致性能、冲突性能、适应性和降低成本的有效性。

43-Target Tracking via Crowdsourcing A Mechanism Design Approach

本文提出了一种基于众包的近视目标跟踪框架，在无线传感器网络中设计了一种最优的激励相容机制，该机制包含自私和利益驱动的传感器。在传感器带宽有限的典型无线传感器网络中，融合中心(FC)必须在传感器之间分配传输到 FC 的总比特数。在这里考虑的公式中，FC 通过向自私的传感器征求出价来进行拍卖，这反映了它们对能源成本的估值。此外，该模型还保证了传感器的合理性和真实性。最后一个问题是多项选择背包问题问题(MCKP) ，这个问题用动态规划方法在伪多项式时间中得到了解决。仿真结果表明了该方法在跟踪性能和传感器网络生存期方面的有效性。

这篇是针对近视目标跟踪的，不清楚是否涉及任务分配等。

44-Crowdsourcing Sensing to Smartphones A Randomized Auction Approach

因为对于来自众包者的某个给定的传感作业，只选择一小部分智能手机执行传感任务，其余的则不予选择，所以向移动用户提供众包的最先进的拍卖机制通常具有确定性。这种确定性拍卖机制的一个明显缺点是减少了感知作业的多样性。因此，收集到的传感数据的质量也下降了。这是由于未能利用移动众包网络中大量不同的移动用户的内在优势。针对社会成本最小化问题，提出了一种随机组合拍卖机制，证明了该机制是 np 难的。设计了一种近似最优的任务分配算法，该算法具有多项式时间复杂度，并以此为基础构造了整个随机拍卖机制。与确定性拍卖机制相比，提出的随机拍卖机制增加了给定感知任务的贡献用户的多样性。