예산 최적화를 위한 적응형 군중소싱 스킴

본 논문은 군중소싱 플랫폼에서 제한된 예산 하에 라벨링 정확도를 최적화하는 문제를 다룬다. 먼저, 작업자와 작업 각각에 대한 잠재 파라미터를 도입한 일반화된 Dawid‑Skene 모델을 정의한다. 작업자 신뢰도 pⱼ는 0~1 사이의 값으로, 1에 가까울수록 정답을 맞출 확률이 높으며, 작업 난이도 qᵢ는 해당 작업이 ‘긍정’으로 인식될 확률을 나타낸다. 두 파라미터가 결합된 확률식 (2)는 라벨 Aᵢⱼ가 +1 혹은 –1이 될 조건부 확률을 제공한다. 모델 가정은 다음과 같다. 작업자 파라미터 pⱼ는 i.i.d. 분포 F에서 추출되며, 평균 신뢰도 μ와 분산 σ²만을 사전에 알 수 있다. 작업 난이도 qᵢ는 i.i.d. 분포 G에서 추출되고, λᵢ = (2qᵢ‑1)² 로 정의되는 개별 난이도와 전체 난이도 평균 λ, 그리고 최소·최대 난이도 λₘᵢₙ, λₘₐₓ을 이용해 시스템 전반의 난이도를 정량화한다. 실제 알고리즘 구현을 위해 G에 대한 정밀한 사전 분포 대신, λᵢ의 양자화된 분포 bG를 사용한다. 이는 λᵢ를 몇 개의 구간으로 나누어 각 구간의 질량 δₐ와 대표값 λₐ를 저장하는 방식이다. 문제 정의는 두 단계로 나뉜다. (1) 작업 할당 단계에서는 각 도착하는 작업자에게 어떤 작업 집합 Tⱼ를 할당할지 결정한다. 비적응형에서는 모든 Tⱼ를 사전에 고정하고, 적응형에서는 이전 라벨링 결과 A를 기반으로 실시간으로 Tⱼ를 조정한다. (2) 라벨 수집이 종료되면, 수집된 응답 행렬 A를 이용해 추론 알고리즘을 적용해 각 작업의 최종 라벨 ˆtᵢ를 산출한다. 성능 평가는 평균 오류율 P_error = (1/m) Σᵢ Pr