Apr, 2018
深度贝叶斯信任:众包中的主导公平激励机制
Deep Bayesian Trust : A Dominant and Fair Incentive Mechanism for Crowd
Naman Goel, Boi Faltings
TL;DR提出了一种新颖的机制来激励人群工作,仅给少数人分配黄金任务并利用传递性从他们的同伴准确性中推导其他人的准确性,从而确保博弈论激励兼容性和公平性。
Abstract
An important class of game-theoretic incentive mechanisms for eliciting
effort from a crowd are the peer based mechanisms, in which workers are paid by
matching their answers with one another. The other classic mechanism is to have
the workers solve some →
发现论文,激发创造
具有恒定任务数量的主导诚实多任务同伴预测
本文提出了一种新的机制,基于行列式互信息机制 (DMI-Mechanism),可以在只有有限数量 (至少为 2) 的任务情况下实现直接的诚实报告和互信息计算,并且可以作为信息精度评估规则。
Nov, 2019
双倍或零:众包的乘法激励机制
提出了一种简单的支付机制以激励工作者仅回答他们确定的问题并跳过其他问题,来解决众包中低质量数据的问题。在 900 个工作者 - 任务对的初步实验中,观察到使用这种机制可以显著降低错误率并且支出相同或更少的金钱。
Aug, 2014
基于拍卖的水平联邦学习的事后支付激励机制设计,包括声誉和贡献度测量
设计了一个基于拍卖的激励机制,采用贡献和信誉度来评价工人,通过反向拍卖选择工人并根据表现付费,满足了诚实工人的个人理性、预算可行性、真实性和计算效率。
Jan, 2022
内生能力的众包判断引诱
本研究提出一种新的信息引出机制,可用于多任务时具有内生能力的代理人的二进制信息引出,其奖励代理人同意 “参考” 评估者的任务,但惩罚盲目同意,以鼓励代理人付出更多的努力,以便获取奖励。
Mar, 2013
序列式同侪预测:利用公开定价学习诱发努力
研究了顺序同行预测问题,提出了顺序张贴价格机制,通过动态学习最优奖励水平来激励工人付出努力和真实报告信息,并探讨了参数调优与博弈理论平衡之间的权衡。
Nov, 2016
众包预测问题的协作机制
提出了一种基于预测市场的众包学习机制方法,参与者可以通过赌注来修改推理任务的当前假设,并获得相应的盈利,以此改善预测的性能,从而解决了以往机器学习竞赛所存在的诸多弊端。
Nov, 2011
可靠众包系统的预算最优任务分配
本文考虑众包任务分配中的可靠性问题,提出了一种基于置信传播和低秩矩阵逼近的算法来决定如何分配任务,并从工人的答案中推断出正确答案。比较了不同算法的表现,发现基于者非自适应的算法是最优的。此外,还强调了建立可靠的工人信誉系统对于完全运用自适应设计的潜力至关重要。
Oct, 2011