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

本文研究如何在预算限制下，选择优质工人子集以达到最大准确性，并通过组合优化算法解决此问题，证明该算法能够有效地选择少数高质量工人，并在模拟和实际数据集上表现良好。

Feb, 2015

通过信息论速率失真框架对人在循环计算问题进行建模和分析，以确定通过任何形式的查询和任何解码算法的结果和给定预算所能达到的最终保真度。此外，该论文还介绍并分析了一种查询方案，称为 $k$ -ary incidence coding，并研究了该场景下的查询定价。

Aug, 2016

这篇文章主要研究了一种分配算法：参与性预算（Participatory Budgeting），并考虑了分配有限经费给不可分割项目时的具体问题，探究了具有弱总序偏好的不可分割PB规则的算法、公理和复杂性等问题，提出了两种具有不同意义和动机的规则类别：分层批准规则和基于需求的规则。

Jul, 2022

本文研究了有资源分配约束限制的多智能体竞争问题，提出了基于最大匹配问题的解决方案，围绕基于预算限制下最大化匹配效果的约束条件进行了算法研究并在两个真实数据集上进行了实验评估。

Sep, 2022

研究在不可分的参与性预算框架下，每个项目有多个可允许的成本，探讨了不同的效用概念和公理，分析了问题的固定参数可处理性和预算规则的满足性。

May, 2023

引入一种新的基于共识的迭代型参与式预算过程，通过创新的多智能体强化学习方法，通过决策支持使选民相互交互以达成可行折中，解决了参与式预算中投票结果可能不公平或不包容的问题，并通过对波兰实际参与式预算数据进行广泛实验评估，发现共识是可能达成的，且有效且稳健，这种折中是必需的，虽然与现有的推动公平和包容的投票汇总方法相当，但并未达成共识。

Jul, 2023

通过在上下文空间中进行勘探-利用权衡的创新分割方法，我们提出了离线和在线版本的基于上下文感知的组合多臂赌博机激励机制，以在有限的预算下有效激励大规模未知的工作者，并通过严格的理论分析和实验验证了其有效性。

Sep, 2023

通过学习，设计公平分配机制，以比例公平性为基准，解决了一次性分配机制的学习问题，同时提出了可行的方法来度量机制的可利用性，并通过数据控制公平性和可利用性之间的权衡，提出了两种近似比例公平机制，分别是ExPF-Net和ExS-Net，通过大量的数值模拟验证了这些机制的有效性和鲁棒性。

Nov, 2023

参与性预算是通过收集和聚集个人偏好来分配公共资源的实践。本文探讨了子模的参与性预算问题，提出了三种偏好征集方法，并分析了它们在失真方面的表现。 尤其要注意的是，如果效用函数是可加的，我们针对阈值批准投票设计的聚合规则优于现有的方法。

Jun, 2024