Decentralized Online Learning in Task Assignment Games for Mobile Crowdsensing

要約

モバイルクラウドセンシング (MCS) システムに関して、調整されたデータ収集の問題が研究されています。
モバイル クラウドセンシング プラットフォーム (MCSP) は、センシング タスクを利用可能なモバイル ユニット (MU) に順次公開し、センシング オファーを MCSP に送り返すことでタスクに参加する意欲を示します。
受け取ったオファーに基づいて、MCSP はタスクの割り当てを決定します。
安定したタスクの割り当てでは、MCSP と MU の相反する目標、および MU に必要な努力と好みの不確実性という 2 つの課題に対処する必要があります。
これらの課題を克服するために、マッチング理論とオンライン学習を組み合わせた新しい分散型アプローチである、戦略的フリーセンシングを備えた衝突回避マルチアームバンディット (CA-MAB-SFS) が提案されています。
タスク割り当て問題は、MCSP と MU の個々の目標を考慮したマッチング ゲームとしてモデル化され、MU はオンラインで自分たちの取り組みを学習します。
私たちの革新的な「フリーセンシング」メカニズムは、タスク割り当て中の衝突を減らしながら、MU の学習プロセスを大幅に改善します。
CA-MAB-SFS の安定したリグアロング、つまり学習の損失は、準線形関数によって制限されることが分析的に示されており、安定した最適解への収束が保証されます。
シミュレーション結果は、CA-MAB-SFS が最先端の方法と比較して MU と MCSP の満足度を高め、平均タスク完了時間を少なくとも 16% 短縮することを示しています。

要約(オリジナル)

The problem of coordinated data collection is studied for a mobile crowdsensing (MCS) system. A mobile crowdsensing platform (MCSP) sequentially publishes sensing tasks to the available mobile units (MUs) that signal their willingness to participate in a task by sending sensing offers back to the MCSP. From the received offers, the MCSP decides the task assignment. A stable task assignment must address two challenges: the MCSP’s and MUs’ conflicting goals, and the uncertainty about the MUs’ required efforts and preferences. To overcome these challenges a novel decentralized approach combining matching theory and online learning, called collision-avoidance multi-armed bandit with strategic free sensing (CA-MAB-SFS), is proposed. The task assignment problem is modeled as a matching game considering the MCSP’s and MUs’ individual goals while the MUs learn their efforts online. Our innovative ‘free-sensing’ mechanism significantly improves the MU’s learning process while reducing collisions during task allocation. The stable regret of CA-MAB-SFS, i.e., the loss of learning, is analytically shown to be bounded by a sublinear function, ensuring the convergence to a stable optimal solution. Simulation results show that CA-MAB-SFS increases the MUs’ and the MCSP’s satisfaction compared to state-of-the-art methods while reducing the average task completion time by at least 16%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google