BFLMeta: Blockchain-Empowered Metaverse with Byzantine-Robust Federated Learning
Notice bibliographique
Résumé
The emerging metaverse is envisioned as a virtual mapping of the real world, thus it would inevitably employ numerous Machine Learning (ML) frameworks to analyze and process massive data for the virtual-physical synchronization process. As a distributed ML paradigm, Federated Learning (FL) can naturally take advantage of numerous IoT, wearable devices, and edge, cloud servers under the metaverse infrastructure to train ML models with privacy guarantee. However, the large-scale and decentralized nature of the metaverse can pose significant challenges to traditional FL schemes, where there is a centralized server aggregating the local models received from local devices. It is not only vulnerable to Single Point of Failure (SPoF), but also lacks incentive mechanisms encouraging metaverse users to contribute their resources and data. In this paper, we propose BFLMeta, a blockchain-based FL scheme for the metaverse in which the aggregation process is performed in a decentralized manner, while the framework can estimate the non-IID degree of data to flexibly adjust blockchain committee size, thereby mitigating the impact of malicious aggregators. Security analysis shows that BFLMeta can resist SPoF, poisoning attack, privacy leakage, and sybil attack. Besides, our evaluation on computation, communication, and performance illustrates the efficiency of BFLMeta. Notably, BFLMeta can converge even with more than 50% poisoning nodes.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,015 | 0,047 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».