.png){kind=icon}
返回
Multiobjective Privacy-Preserving Task Assignment in Spatial Crowdsourcing
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3573292.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
位置信息对于空间众包中的高效任务分配至关重要，但共享此类信息会引发隐私担忧。差分隐私（DP）通过在保护位置隐私的同时保留数据实用性，提供了一种解决方案。现有的基于DP的空间众包框架存在两个主要局限性：1）它们未能为工作者提供个性化的隐私保护；2）它们优先考虑激励机制（如效用最大化、成本最小化），而忽视了质量控制。为解决这些局限性，我们提出了多目标隐私保护任务分配（MP-TA）问题。该问题旨在在满足服务速率要求的同时，确保工作者的个性化隐私保护，并最大化激励和质量的两个目标。相应地，我们提出一个包含工作者提议、候选工作者选择和任务分配优化的三阶段框架。为了为两个目标生成高质量的可行解，我们引入了一种基于顺序子问题划分和基于膝点的迁移操作的分布式合作协同进化多目标 memetic 算法（DCC-MMA）。设计了基于匹配的交叉、基于匹配的变异和修复操作以增强搜索效率。实验结果表明，与最先进算法相比，DCC-MMA 在解质量、收敛速度和可扩展性方面具有优越性。
Keyword:
Differential privacy (DP)
evolutionary algorithm (EA)
multiobjective optimization
spatial crowdsourcing
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Deep reinforcement learning for multi-objective optimization in BIM-based green building design基于BIM的绿色建筑设计多目标优化的深度强化学习
PREAI
分享收藏Robust Multiobjective Competitive Swarm Optimization Based on Evolutionary Trend Prediction基于进化趋势预测的鲁棒多目标竞争群优化
PREAI
分享收藏分享收藏
查看更多内容