論文の概要: A Blockchain-based Reliable Federated Meta-learning for Metaverse: A Dual Game Framework

• arxiv url: http://arxiv.org/abs/2408.03694v1
• Date: Wed, 7 Aug 2024 11:14:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-08 13:14:23.097206
• Title: A Blockchain-based Reliable Federated Meta-learning for Metaverse: A Dual Game Framework
• Title（参考訳）: ブロックチェーンベースのMetaverseのための信頼性の高いフェデレーションメタラーニング:デュアルゲームフレームワーク
• Authors: Emna Baccour, Aiman Erbad, Amr Mohamed, Mounir Hamdi, Mohsen Guizani,
• Abstract要約: 本稿では,FML管理作業者としてのメタラーナーを含むメタリバースサービスのための2つのゲーム理論フレームワークを提案する。 ブロックチェーンベースの協同組合形成ゲームは、評価基準、ユーザ類似性、インセンティブに基づいて開発されている。 その結果、我々のデュアルゲームフレームワークは、ベストエフォート、ランダム、および非ユニフォームクラスタリングスキームよりも優れていた。
• 参考スコア（独自算出の注目度）: 36.916545188952334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The metaverse, envisioned as the next digital frontier for avatar-based virtual interaction, involves high-performance models. In this dynamic environment, users' tasks frequently shift, requiring fast model personalization despite limited data. This evolution consumes extensive resources and requires vast data volumes. To address this, meta-learning emerges as an invaluable tool for metaverse users, with federated meta-learning (FML), offering even more tailored solutions owing to its adaptive capabilities. However, the metaverse is characterized by users heterogeneity with diverse data structures, varied tasks, and uneven sample sizes, potentially undermining global training outcomes due to statistical difference. Given this, an urgent need arises for smart coalition formation that accounts for these disparities. This paper introduces a dual game-theoretic framework for metaverse services involving meta-learners as workers to manage FML. A blockchain-based cooperative coalition formation game is crafted, grounded on a reputation metric, user similarity, and incentives. We also introduce a novel reputation system based on users' historical contributions and potential contributions to present tasks, leveraging correlations between past and new tasks. Finally, a Stackelberg game-based incentive mechanism is presented to attract reliable workers to participate in meta-learning, minimizing users' energy costs, increasing payoffs, boosting FML efficacy, and improving metaverse utility. Results show that our dual game framework outperforms best-effort, random, and non-uniform clustering schemes - improving training performance by up to 10%, cutting completion times by as much as 30%, enhancing metaverse utility by more than 25%, and offering up to 5% boost in training efficiency over non-blockchain systems, effectively countering misbehaving users.
• Abstract（参考訳）: アバターベースの仮想インタラクションのための次のデジタルフロンティアとして想定されるメタバースは、高性能モデルを含む。 この動的な環境では、限られたデータにもかかわらず、ユーザのタスクは頻繁にシフトし、高速なモデルパーソナライゼーションを必要とします。 この進化は膨大なリソースを消費し、膨大なデータ量を必要とする。 これを解決するために、メタラーニングは、メタバースユーザーにとって貴重なツールとして登場し、フェデレートされたメタラーニング(FML)によって、その適応能力によってさらにカスタマイズされたソリューションを提供する。 しかし、メタバースの特徴は、多様なデータ構造、多様なタスク、不均一なサンプルサイズを持つユーザの不均一性であり、統計的差異による世界的なトレーニング結果を損なう可能性がある。 これを踏まえると、これらの格差を考慮に入れたスマートな連立組織に対する緊急の要求が生じる。 本稿では,FML管理作業者としてのメタラーナーを含むメタリバースサービスのための2つのゲーム理論フレームワークを提案する。 ブロックチェーンベースの協同組合形成ゲームは、評価基準、ユーザ類似性、インセンティブに基づいて開発されている。 また,過去の課題と新しいタスクの相関を利用して,ユーザの過去の貢献と潜在的貢献に基づく新たな評価システムも導入する。 最後に、Stackelbergゲームベースのインセンティブメカニズムが提示され、メタラーニングに参加するための信頼性の高い労働者を惹きつけ、ユーザのエネルギーコストを最小化し、ペイオフを増やし、FMLの有効性を高め、メタバースユーティリティを改善する。 その結果、我々のデュアルゲームフレームワークは、トレーニングパフォーマンスを最大10%向上し、完了時間を最大30%削減し、メタバースユーティリティを25%以上向上し、非ブロックチェーンシステムよりもトレーニング効率を最大5%向上させ、効果的に誤動作を防止できるという、ベストエフォート、ランダム、および非ユニフォームクラスタリングスキームよりも優れています。

関連論文リスト

• BF-Meta: Secure Blockchain-enhanced Privacy-preserving Federated Learning for Metaverse [3.98794322831072]
  分散モデルアグリゲーションを備えたセキュアなブロックチェーン駆動FLフレームワークであるBF-Metaを提案する。 本稿では,悪意のあるユーザの悪影響を軽減し,メタバースにセキュアな仮想サービスを提供するため,BF-Metaを提案する。
  論文  参考訳（メタデータ） (2024-10-29T02:52:49Z)
• Leveraging Foundation Models for Multi-modal Federated Learning with Incomplete Modality [41.79433449873368]
  我々は、事前学習完了(FedMVP)を用いた新しいマルチモーダル・コントラスト学習法、フェデレーション・マルチモーダル・コントラストVeトレーニングを提案する。 FedMVPは、大規模な事前トレーニングモデルを統合して、フェデレーショントレーニングを強化する。 実世界の2つの画像テキスト分類データセットよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-16T19:18:06Z)
• Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning [20.412469498888292]
  フェデレートラーニング(FL)は、複数のデバイスが共同で共有モデルをトレーニングすることを可能にする。 各トレーニングラウンドにおける参加デバイスの選択は、モデル性能とトレーニング効率の両方に重大な影響を及ぼす。 我々は、エンドツーエンドのランキングベースのアプローチであるFedRankという新しいデバイス選択ソリューションを導入する。
  論文  参考訳（メタデータ） (2024-05-07T08:44:29Z)
• Learning Transferable Adversarial Robust Representations via Multi-view Consistency [57.73073964318167]
  デュアルエンコーダを用いたメタ逆多視点表現学習フレームワークを提案する。 未確認領域からの少数ショット学習タスクにおけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-19T11:48:01Z)
• Meta-Learning with Self-Improving Momentum Target [72.98879709228981]
  メタラーナーの性能を向上させるために,SiMT(Self-improving Momentum Target)を提案する。 SiMTはメタラーナーの時間アンサンブルから適応してターゲットモデルを生成する。 我々は、SiMTが幅広いメタ学習手法と組み合わせることで、大きなパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-11T06:45:15Z)
• Meta Knowledge Condensation for Federated Learning [65.20774786251683]
  既存のフェデレートされた学習パラダイムは通常、より強力なモデルを達成するために、中央の解決器で分散モデルを広範囲に交換する。 これにより、特にデータ分散が不均一である場合、サーバと複数のクライアントの間で深刻な通信負荷が発生します。 既存のパラダイムとは違って,フェデレート学習におけるコミュニケーションコストを大幅に削減する新たな視点を導入する。
  論文  参考訳（メタデータ） (2022-09-29T15:07:37Z)
• Crowdsourcing with Meta-Workers: A New Way to Save the Budget [50.04836252733443]
  我々は,AIに適したタスクの種類をメタラーニングで学習したマシンアノテータであるEmphmeta-workerの概念を紹介した。 一般の群衆労働者とは異なり、メタワーカーは信頼性があり、安定しており、さらに重要なことはタイヤレスで自由である。
  論文  参考訳（メタデータ） (2021-11-07T12:40:29Z)
• Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A Stackelberg Game Approach [54.28419430315478]
  Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。 MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。 そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2021-09-25T17:27:48Z)
• ProtoDA: Efficient Transfer Learning for Few-Shot Intent Classification [21.933876113300897]
  我々は,メタラーニングパラダイムの下で,原型ネットワークを用いた関連するタスクのアンサンブル上での伝達学習による代替的アプローチを採用する。 本研究は,意図分類を事例として,学習課題における多様性の増大が,分類性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2021-01-28T00:19:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。