Blockchain-Empowered Metaverse: Decentralized Crowdsourcing and Marketplace for Trading Machine Learning Data and Models
Notice bibliographique
Résumé
The Metaverse relies on advanced machine learning (ML) techniques to facilitate the seamless mapping between the virtual and physical realms. ML-based technologies also enable metaverse service providers (MSPs) to offer a diverse range of intelligent virtual services to metaverse users (MUs). However, it can be challenging for MSPs to collect sufficient metaverse data to train ML models by themselves. As a result, MSPs can be interested in seeking contributions from MUs in both ML data and models. To address these challenges, we propose MetaAICM, a blockchain-based framework that empowers the metaverse through two key components. Firstly, it incorporates a distributed crowdsourcing system that allows MSPs to gather metaverse data and ML models from MUs. Secondly, it features a decentralized marketplace, enabling MUs to proactively collect data and train ML models for sale using their metaverse devices and computing resources. MetaAICM leverages blockchain and smart contracts to achieve decentralization, ensuring security and privacy without relying on a trusted third-party authority or additional trust assumptions between MUs and MSPs. Numerical studies show that MetaAICM offers high processing performance and cost efficiency, while the framework is implemented on top of a consortium blockchain to show its feasibility.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».