MetaCrowd: Blockchain-Empowered Metaverse via Decentralized Machine Learning Crowdsourcing
Notice bibliographique
Résumé
Metaverse allows a 3D virtual mapping of the physical world to the digital world in which users interact with each other via digital avatars with a wide range of virtual activities. To realize this, the metaverse will inevitably employ numerous machine learning (ML) systems to enable the virtual-physical mapping process and offer intelligent virtual services to metaverse users (MUs). However, metaverse service providers (MSPs), who need ML models for their services (e.g., virtual events and healthcare services), may not have the expertise or resources required to build these underlying ML models. In addition, although ML models can be offered by a crowd of experienced ML workers (MLWs), the MLWs might not be able to collect the desired data for training their ML models due to privacy issues and the large-scale, distributed nature of the metaverse. In this paper, we propose MetaCrowd, a blockchain-based ML crowdsourcing framework that aims to overcome the mentioned issues and make ML accessible to a wide range of MUs and MSPs. Unlike traditional crowdsourcing systems which rely on central authorities, MetaCrowd is decentralized and automatic thanks to blockchain and smart contracts, thereby mitigating the single point of failure and trust issues. Experimental results illustrate the efficiency of MetaCrowd in both performance and cost. In addition, a decentralized application is also implemented and published widely to show its feasibility in practice.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».