A Blockchain-based Reliable Federated Meta-learning for Metaverse: A Dual Game Framework

要約

アバターベースの仮想インタラクションの次のデジタルフロンティアとして構想されているメタバースには、高性能モデルが含まれます。
この動的な環境では、ユーザーのタスクが頻繁に変化するため、データが限られているにもかかわらず、モデルを迅速にパーソナライズする必要があります。
この進化は大量のリソースを消費し、膨大なデータ量を必要とします。
これに対処するために、フェデレーテッド メタ ラーニング (FML) を備えたメタラーニングが、メタバース ユーザーにとって非常に貴重なツールとして登場し、その適応機能によりさらにカスタマイズされたソリューションを提供します。
ただし、メタバースは、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によるユーザーの異質性を特徴としており、統計的な差異によりグローバルなトレーニングの成果が損なわれる可能性があります。
これを考慮すると、これらの格差を考慮した賢明な連合形成が緊急に必要とされています。
この論文では、FML を管理するワーカーとしてメタ学習者が関与するメタバース サービスのためのデュアル ゲーム理論フレームワークを紹介します。
ブロックチェーンベースの協力連合形成ゲームは、評判指標、ユーザーの類似性、インセンティブに基づいて作成されています。
また、過去のタスクと新しいタスク間の相関関係を活用し、現在のタスクに対するユーザーのこれまでの貢献度および潜在的な貢献度に基づく新しい評判システムも導入します。
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、信頼できるワーカーをメタ学習に参加させ、ユーザーのエネルギー コストを最小限に抑え、利益を増大させ、FML の有効性を高め、メタバースの有用性を向上させることができます。
結果は、私たちのデュアル ゲーム フレームワークがベスト エフォート型、ランダム、不均一クラスタリング スキームよりも優れたパフォーマンスを示し、トレーニング パフォーマンスを最大 10% 向上させ、完了時間を最大 30% 短縮し、メタバース ユーティリティを 25% 以上向上させました。
非ブロックチェーン システムに比べてトレーニング効率が最大 5% 向上し、不正行為を行うユーザーに効果的に対抗します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google