Federated Learning Meets Blockchain to Secure the Metaverse
Notice bibliographique
Résumé
The development of the Metaverse is completely changing how business is done in the physical world. The Metaverse considerably improves intelligent manufacturing by mapping out operations and spreading them into virtual space. The Metaverse can access data from numerous production and operation lines thanks to the Internet of Things (IoT), enabling efficient data analysis and decision-making. However, the problem of sharing sensitive and private data remains a challenge when integrating the Metaverse with IoT. Federated learning (FL) has emerged as a distributed machine learning (ML) setting that can overcome the security problems related to data sharding With FL, several devices can work together to create an ML model under the direction of a central server while maintaining the privacy and security of their local training data. FL in the Metaverse continues to face significant challenges due to a lack of transparency, learning forgetting caused by streaming industrial data, and problems with non-independent and identically dispersed (non-iid) data. In this paper, we develop a FL framework for transparent and secure model learning in the Metaverse using blockchain technology. The blockchain ledger stores and verifies the model updates which ensures that all updates are tamper-proof and transparent to all parties involved. Furthermore, we propose a scheduling approach to distribute the bandwidth between reliable devices, hence minimizing communication across FL devices and giving devices with reliable behavior priority. The numerical result demonstrates that our framework performed better on the chosen indicators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,018 | 0,085 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».