Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework

要約

このホワイト ペーパーでは、仮想サービス プロバイダー (VSP) がセンシング IoT デバイスを雇ってセンシング データを販売し、メタバースで物理世界のデジタル コピーを作成およびレンダリングするのに役立つインセンティブ メカニズムを設計する問題に対処します。
帯域幅が限られているため、セマンティック抽出アルゴリズムを使用して、センシング IoT デバイスによって配信されるデータを削減することを提案します。
それにもかかわらず、センシング IoT デバイスを採用してデータを VSP と共有し、構築されたデジタル ツインをメタバース ユーザーに配信するメカニズムは、逆選択の問題に対して脆弱です。
システムエンティティ間の情報の非対称性によって引き起こされる逆選択問題は、異なるエンティティの個人情報が多次元である場合、解決が難しくなります。
新しい反復コントラクト設計を提案し、マルチエージェント強化学習 (MARL) の新しいバリアントを使用して、モデル化された多次元コントラクト問題を解決します。
アルゴリズムの有効性を実証するために、大規模なシミュレーションを実施し、メタバースのコントラクトのいくつかの主要なパフォーマンス メトリックを測定します。
私たちの結果は、私たちの設計された反復契約が、参加者が誠実に対話するように動機付けできることを示しています。これにより、VSP の利益が最大化され、個人の合理性 (IR) とインセンティブ互換性 (IC) の違反率が最小限に抑えられます。
さらに、提案された学習ベースの反復契約フレームワークは、参加者の個人情報へのアクセスを制限しています。これは、私たちの知る限り、インセンティブメカニズムにおける逆選択の問題に対処する最初のものです。

要約(オリジナル)

In this paper, we address the problem of designing incentive mechanisms by a virtual service provider (VSP) to hire sensing IoT devices to sell their sensing data to help creating and rendering the digital copy of the physical world in the Metaverse. Due to the limited bandwidth, we propose to use semantic extraction algorithms to reduce the delivered data by the sensing IoT devices. Nevertheless, mechanisms to hire sensing IoT devices to share their data with the VSP and then deliver the constructed digital twin to the Metaverse users are vulnerable to adverse selection problem. The adverse selection problem, which is caused by information asymmetry between the system entities, becomes harder to solve when the private information of the different entities are multi-dimensional. We propose a novel iterative contract design and use a new variant of multi-agent reinforcement learning (MARL) to solve the modelled multi-dimensional contract problem. To demonstrate the effectiveness of our algorithm, we conduct extensive simulations and measure several key performance metrics of the contract for the Metaverse. Our results show that our designed iterative contract is able to incentivize the participants to interact truthfully, which maximizes the profit of the VSP with minimal individual rationality (IR) and incentive compatibility (IC) violation rates. Furthermore, the proposed learning-based iterative contract framework has limited access to the private information of the participants, which is to the best of our knowledge, the first of its kind in addressing the problem of adverse selection in incentive mechanisms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google