論文の概要: MetaFed: Advancing Privacy, Performance, and Sustainability in Federated Metaverse Systems

• arxiv url: http://arxiv.org/abs/2508.17341v1
• Date: Sun, 24 Aug 2025 12:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.477244
• Title: MetaFed: Advancing Privacy, Performance, and Sustainability in Federated Metaverse Systems
• Title（参考訳）: MetaFed: フェデレーションメタバースシステムにおけるプライバシ、パフォーマンス、持続性の向上
• Authors: Muhammet Anil Yagiz, Zeynep Sude Cengiz, Polat Goktas,
• Abstract要約: 没入型Metaverseアプリケーションの急速な拡張は、パフォーマンス、プライバシ、環境サステナビリティの交差において複雑な課題をもたらす。 本稿では,Metaverse環境における持続的かつインテリジェントなリソースオーケストレーションを実現する分散型フェデレーション学習フレームワークであるMetaFedを提案する。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of immersive Metaverse applications introduces complex challenges at the intersection of performance, privacy, and environmental sustainability. Centralized architectures fall short in addressing these demands, often resulting in elevated energy consumption, latency, and privacy concerns. This paper proposes MetaFed, a decentralized federated learning (FL) framework that enables sustainable and intelligent resource orchestration for Metaverse environments. MetaFed integrates (i) multi-agent reinforcement learning for dynamic client selection, (ii) privacy-preserving FL using homomorphic encryption, and (iii) carbon-aware scheduling aligned with renewable energy availability. Evaluations on MNIST and CIFAR-10 using lightweight ResNet architectures demonstrate that MetaFed achieves up to 25\% reduction in carbon emissions compared to conventional approaches, while maintaining high accuracy and minimal communication overhead. These results highlight MetaFed as a scalable solution for building environmentally responsible and privacy-compliant Metaverse infrastructures.
• Abstract（参考訳）: 没入型Metaverseアプリケーションの急速な拡張は、パフォーマンス、プライバシ、環境サステナビリティの交差において複雑な課題をもたらす。 集中型アーキテクチャは、これらの要求に対処するのに不足しており、しばしばエネルギー消費の増加、レイテンシ、プライバシの懸念をもたらす。 本稿では,Metaverse環境における持続的かつインテリジェントなリソースオーケストレーションを実現するための,分散統合学習(FL)フレームワークであるMetaFedを提案する。 MetaFedが統合 一 動的クライアント選択のためのマルチエージェント強化学習 (二)同型暗号を用いたプライバシー保護FL 三 再生可能エネルギーの可利用性に適合した炭素対応スケジューリング 軽量ResNetアーキテクチャを用いたMNISTとCIFAR-10の評価は,MetaFedが従来の手法に比べて最大25倍の炭素排出量削減を実現し,高い精度と通信オーバーヘッドの最小化を実現していることを示している。 これらの結果は、MetaFedを、環境に責任を持ち、プライバシに準拠するMetaverseインフラストラクチャを構築するためのスケーラブルなソリューションとして強調している。

関連論文リスト

• Data-Driven Policy Mapping for Safe RL-based Energy Management Systems [6.185645393091031]
  本稿では,クラスタリング,予測,制約付き政策学習を組み合わせた3段階強化学習に基づく建築エネルギー管理システム(BEMS)を提案する。 実世界のデータから評価することで,特定の建築タイプに対して,運用コストを最大15%削減する。 全体として、このフレームワークはスケーラブルで堅牢で費用対効果の高い建築エネルギー管理を提供します。
  論文  参考訳（メタデータ） (2025-06-19T14:29:48Z)
• MMiC: Mitigating Modality Incompleteness in Clustered Federated Learning [29.049226511777736]
  MFL(Multimodal Federated Learning)におけるモダリティの不完全性を緩和するフレームワークであるMMiCを提案する。 MMiCは、欠落したモダリティの影響を軽減するために、クラスタ内のクライアントモデル内の部分パラメータを置き換える。 また、Banzhaf Power Indexを活用して、これらの条件下でのクライアント選択を最適化する。
  論文  参考訳（メタデータ） (2025-05-11T09:12:36Z)
• GreenDFL: a Framework for Assessing the Sustainability of Decentralized Federated Learning Systems [11.70484592973223]
  Decentralized Federated Learning(DFL)は、集中的なデータやモデルアグリゲーションなしに協調的なモデルトレーニングを可能にする新興パラダイムである。 本研究の目的は、DFLシステムの持続可能性を評価するための総合的かつ運用的なフレームワークを開発することである。 提案したGreenDFLは、DFLシステムの持続可能性を評価するための包括的で実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-02-27T16:27:42Z)
• Meta-FL: A Novel Meta-Learning Framework for Optimizing Heterogeneous Model Aggregation in Federated Learning [2.28438857884398]
  フェデレートラーニング(FL)は、多様なエンティティをまたいだ協調モデルトレーニングを可能にする。 FLはデータの不均一性やモデルの多様性といった課題に直面している。 Meta-Federated Learningフレームワークはこれらの課題に取り組むために導入された。
  論文  参考訳（メタデータ） (2024-06-23T06:57:07Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• DAC-MR: Data Augmentation Consistency Based Meta-Regularization for Meta-Learning [55.733193075728096]
  メタ学習を改善するメタ知識情報メタラーニング(MKIML)フレームワークを提案する。 適切なメタレギュラー化(MR)目標を用いて,メタ知識をメタオブジェクトに統合する。 提案したDAC-MRは、ノイズ、スパース、あるいは利用できないメタデータのトレーニングタスクから、良好なパフォーマンスのメタモデルを学ぶことを期待している。
  論文  参考訳（メタデータ） (2023-05-13T11:01:47Z)
• Attention-aware Resource Allocation and QoE Analysis for Metaverse xURLLC Services [78.17423912423999]
  サービスプロバイダ(MSP)とネットワークインフラストラクチャプロバイダ(InP)の相互作用について検討する。 メタバース利用者の主観的感情と主観的感情の両方を取り入れたメタデュイマージョン(Meta-DuImmersion)という新しい尺度を提案する。 我々は、xURLLCにおけるQoEを改善するために、注意を意識したレンダリングキャパシティ割り当て方式を開発した。
  論文  参考訳（メタデータ） (2022-08-10T16:51:27Z)
• HMRL: Hyper-Meta Learning for Sparse Reward Reinforcement Learning Problem [107.52043871875898]
  スパース報酬RL問題のためのメタ強化学習フレームワークHyper-Meta RL(HMRL)を開発した。 異なる環境に適応するために共通のメタ状態空間を構築するクロス環境メタ状態埋め込みモジュールを含む3つのモジュールで構成されている。 スパース・リワード環境を用いた実験は、伝達性および政策学習効率の両方においてHMRLの優位性を示す。
  論文  参考訳（メタデータ） (2020-02-11T07:31:11Z)

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。