Federated Learning for the Metaverse: A Short Survey
Notice bibliographique
Résumé
The Metaverse, a 3-dimensional virtual realm mirroring real-world objects, promises transformative experiences. Its potential is tempered by data collection, confidentiality, and privacy concerns. In tandem with AI-enabled technologies, edge computing can provide a practical solution to overcoming many of these challenges. This paper argues that combining AI-enabled technologies with edge computing-specifically via federated learning (FL) can address these challenges. FL, as a privacy-centric distributed machine learning (ML) approach, enables knowledge sharing among Metaverse clients without compromising user data. However, while FL posits potential resolutions for the Metaverse, a discernible lacuna remains in the comprehensive study of its overarching consequences. The literature misses an extensive study of adopting these new deployment architectures, giving it significant research impact. This paper bridges this knowledge gap, exploring the symbiosis between the Metaverse and FL. We first introduce the foundational concepts of both domains and detail enabling technologies such as digital twins, the Internet of Things, brain-computer interfaces, blockchain, and extended reality. Next, we delve into practical applications of FL within the metaverse, spanning sectors like healthcare, education, e-commerce, gaming, and the military. Finally, the paper highlights the key challenges and future directions for integrating FL within the metaverse ecosystem.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,015 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».