TTDI：基于变压器的稀疏移动众包感知中真实数据的推理

《IEEE Transactions on Mobile Computing》：TTDI: Transformer Based Truthful Data Inference in Sparse Mobile Crowdsensing

针对稀疏移动众包感知中未考虑不同信任水平感知数据导致高推断误差的问题，提出基于Transformer的TTDI方案。通过信任加权损失函数优化模型训练，采用时空多头注意力机制抑制虚假信息传播，并在四个空气质量数据集上验证其有效提升数据推断质量。

　　

摘要：

在稀疏移动群体感知（Sparse Mobile Crowdsensing）中，许多数据推理方案在没有考虑包含无法识别虚假数据的数据集及其不同信任等级的情况下被提出，这导致了较高的推理误差和较差的实际应用效果。为了解决这一挑战，我们提出了一种基于Transformer的“真实数据推理”（Truthful Data Inference, TTDI）方案，该方案能够容忍虚假数据的干扰，从而提高数据推理的质量。首先，我们提出了基于信任权重的损失函数（Trust-Weighted Loss Function, TLF），以减少数据推理模型训练中的虚假数据干扰。TLF采用了一种差异化的模型参数更新策略，针对不同信任等级的数据分别增强或减弱高信任度和低信任度数据对训练后的数据推理模型的影响。其次，我们提出了基于Transformer的真实时空特征提取（Transformer-Based True Spatiotemporal Feature Extraction, T-TSFE）算法，以减轻有偏时空特征之间的相互干扰。T-TSFE通过时间和空间的多头注意力机制提取数据特征，从而减少了虚假信息在时空维度上的传播。最后，我们使用四个真实世界的空气质量数据集进行了广泛实验，以验证TTDI在数据推理质量方面的有效性。