Jan, 2014

从参与式感知到移动众包感知

PDF
TL;DR本研究提出了基于移动感知和移动社交网络的移动群体感知（MCS）系统，旨在探讨人机智能在 MCS 中的潜力融合，该系统与参与型感知类似，但包含隐式和显式参与，并从移动社交网络和移动感知两个用户数据源中收集数据。未来的研究方向包括 MCS 中新型数据源的整合和如何让 MCS 更好地服务社会公众。
mobile crowd sensinghuman-machine intelligenceparticipatory sensingdata sourcesmobile social networks
发现论文，激发创造
  • 不分享的关爱：一种联邦学习众感知框架，用于增加城市代表性的多样性

    通过移动众包感知，提出一种隐私保护的协作学习框架，可用于推广以改善社会各个方面的服务，案例研究展示了该框架的功能，包括使用视觉算法来改善视障人士的导航。

    Jan, 2022

  • 会话式众感知：并行智能驱动的新型感知方法

    本文提出了一种新的感知范式，名为对话式众包感知，致力于解决 Industry 5.0 中的工作负荷、职业要求和多样化劳动力组织与运作等问题，以此促进众包感知系统的更快响应和更广泛普及。该范式通过有效组织不同社区的三种类型参与者（生物、机器人和数字）展开复杂交互和服务功能，实现三个感知阶段的各种任务的完成，并探索实现对话式众包感知的基础技术。同时，讨论了对话式众包感知的潜在工业应用和影响。我们设想在众包感知过程中，自然语言对话将成为主要的沟通渠道，使人类、机器人和人工智能之间实现更丰富的信息交流和合作解决问题。

    Feb, 2024

  • 基于 GCN 可信度预测的协同移动群体感知高效招募策略

    该文研究了协作移动众包感知的工人招聘，提出了一种通过 Mini-Batch K-Means 聚类算法和 GCN 模型获取工人间信任关系进行更高效的招聘，并通过 TSR 算法优化选取多目标任务效用的平衡工人集合的策略，实验结果表明优于其他策略。

    Jun, 2023

  • Crowd-ML：面向智能设备群体的隐私保护学习框架

    本文介绍了一种面向智能设备群体的隐私保护机器学习框架 Crowd-ML，它可以通过差分隐私保证下处理众包感知数据的广泛学习问题，实现在设备和服务器上处理最小开销的在线学习分类器或预测器。我们在真实和模拟实验中证明了 Crowd-ML 的优点和可扩展性。

    Jan, 2015

  • 市民参与：众感式的可持续室内定位服务

    通过机器学习技术，提供室内定位服务，不需要额外的硬件设备投资，在可持续创新的环境中实现循环经济，并解决室内 GPS 定位的限制。

    Oct, 2023

  • 移动众感任务分配博弈中的分散式在线学习

    研究了移动众感知系统中协调数据收集的问题，提出了一种结合匹配理论和在线学习的去碰撞多臂赌博机与策略自由感知的解决方案，模拟结果表明相比现有方法，该解决方案提高了移动单元和平台的满意度，并至少缩短了 16% 的平均任务完成时间。

    Sep, 2023

  • 基于移动感知的增量半监督联邦学习进行健康推测

    移动感知技术结合联邦学习能在保护用户隐私的同时，有效识别类似流感症状，并通过增量半监督联邦学习算法在分散的在线环境中训练模型，取得最佳结果。

    Dec, 2023

  • 数据流支持下的移动众包协同评估

    移动众包是指任务的完成必须要求众包人员在按需工作力量中进行物理移动的系统。本文提出了在移动众包中实现任务转移、结果预测和任务协调的不同机制，包括数据流学习方法用于任务结果预测，以及具有不同自治程度的两种不同方法实现任务协调，分别为具有协作但非自治的众包运输机制和具有自治众包人员的市场模式。

    Jan, 2024

  • 能否在没有地面真实数据的情况下提高移动众感知数据的质量？

    移动众感知是各领域中的一个突出趋势，然而确保移动用户提交的传感数据的质量仍然是一个复杂而具有挑战性的问题。为了解决这个问题，本文提出了一种基于预测和声誉的真实性发现框架，可以在感知任务中筛选出低质量数据并识别可能破坏系统正常运行的恶意用户。通过广泛的实验结果表明，该框架在识别准确性和数据质量提升方面优于现有方法。

    May, 2024

  • 移动边缘计算上基于区块链的无信任众包智能生态系统

    本研究提出一种基于区块链智能合约的奖惩模型，构建了一个可信的混合人机群体智能平台，以解决工业物联网中因缺乏信任而导致的网络拥塞和利益冲突问题，并证明了其存在唯一一种强纳什均衡点。

    Feb, 2019