Can We Enhance the Quality of Mobile Crowdsensing Data Without Ground Truth?

移动众感应（MCS）已经成为各个领域的一个重要趋势。然而，确保移动用户（MUs）提交的感应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，需要一种先进的方法来检测低质量的感应数据，并识别可能破坏MCS系统正常运行的恶意MUs。因此，本文提出了一种基于预测和声誉的真实性发现（PRBTD）框架，该框架可以在感应任务中将低质量数据与高质量数据分开。首先，我们应用一个以相关性为重点的时空转换网络来预测输入感应数据的真实性。然后，我们基于预测结果提取数据的感应误差作为特征来计算数据之间的含义。最后，我们设计了一个基于声誉的真实性发现（TD）模块，用于识别具有含义的低质量数据。在给定由MUs提交的感应数据的情况下，PRBTD可以消除噪音较大的数据，并高精度地识别恶意MUs。广泛的实验结果表明，PRBTD在识别准确性和数据质量提升方面优于现有方法。

如何检测移动用户提交的低质量数据和恶意用户，以提高移动众感知系统中数据的质量和准确性？

提出了一种基于预测和声誉的真实性发现框架（PRBTD），通过预测和声誉评估来区分高质量和低质量的数据，并识别恶意用户。

采用空间-时间转换网络来预测输入数据的真实性，并提取数据的感知误差作为特征，以计算数据之间的相互关系。设计了基于声誉的真实性发现模块来识别低质量数据和恶意用户。实验结果表明，PRBTD在准确性和数据质量方面优于现有方法。

近期的相关研究包括：《A survey on mobile crowdsensing techniques: Challenges, opportunities, and trends》、《Crowdsourcing for mobile networks: A survey》、《A survey on trust management for mobile crowd sensing》等。