ترجمه فارسی مقاله یک فرایادگیری فدرال قابل اعتماد مبتنی بر بلاکچین برای متاورس: یک چارچوب بازی دوگانه

چکیده

The metaverse, envisioned as the next digital frontier for avatar-based virtual interaction, involves high-performance models. In this dynamic environment, users’ tasks frequently shift, requiring fast model personalization despite limited data. This evolution consumes extensive resources and requires vast data volumes. To address this, meta-learning emerges as an invaluable tool for metaverse users, with federated meta-learning (FML), offering even more tailored solutions owing to its adaptive capabilities. However, the metaverse is characterized by users heterogeneity with diverse data structures, varied tasks, and uneven sample sizes, potentially undermining global training outcomes due to statistical difference. Given this, an urgent need arises for smart coalition formation that accounts for these disparities. This paper introduces a dual game-theoretic framework for metaverse services involving meta-learners as workers to manage FML. A blockchain-based cooperative coalition formation game is crafted, grounded on a reputation metric, user similarity, and incentives. We also introduce a novel reputation system based on users’ historical contributions and potential contributions to present tasks, leveraging correlations between past and new tasks. Finally, a Stackelberg game-based incentive mechanism is presented to attract reliable workers to participate in meta-learning, minimizing users’ energy costs, increasing payoffs, boosting FML efficacy, and improving metaverse utility. Results show that our dual game framework outperforms best-effort, random, and non-uniform clustering schemes – improving training performance by up to 10%, cutting completion times by as much as 30%, enhancing metaverse utility by more than 25%, and offering up to 5% boost in training efficiency over non-blockchain systems, effectively countering misbehaving users.

چکیده به فارسی (ترجمه ماشینی)

متاور ، که به عنوان مرز دیجیتال بعدی برای تعامل مجازی مبتنی بر آواتار پیش بینی شده است ، شامل مدل های با کارایی بالا است.در این محیط پویا ، وظایف کاربران غالباً تغییر می کند و با وجود داده های محدود نیاز به شخصی سازی سریع مدل دارد.این تکامل منابع گسترده ای را مصرف می کند و به حجم داده های گسترده ای نیاز دارد.برای پرداختن به این امر ، یادگیری متا به عنوان ابزاری ارزشمند برای کاربران متاور ، با یادگیری متا (FML) فدرال ، ارائه می شود و راه حل های متناسب تری را به دلیل قابلیت های تطبیقی ​​آن ارائه می دهد.با این حال ، متاور توسط ناهمگونی کاربران با ساختار داده های متنوع ، کارهای متنوع و اندازه نمونه ناهموار مشخص می شود ، و به طور بالقوه نتایج آموزش جهانی را به دلیل تفاوت آماری تضعیف می کند.با توجه به این ، یک نیاز فوری برای تشکیل ائتلاف هوشمند ایجاد می شود که این نابرابری ها را به خود اختصاص می دهد.در این مقاله یک چارچوب دوتایی نظری بازی برای خدمات متاور که شامل متا گیرنده ها به عنوان کارگران برای مدیریت FML است ، معرفی شده است.یک بازی سازنده ائتلاف تعاونی مبتنی بر blockchain ساخته شده است ، که بر اساس یک متریک اعتبار ، شباهت کاربر و مشوق ها پایه گذاری شده است.ما همچنین یک سیستم شهرت جدید را بر اساس مشارکتهای تاریخی کاربران و مشارکتهای بالقوه در انجام وظایف موجود معرفی می کنیم ، و همبستگی بین کارهای گذشته و جدید را اعمال می کنیم.سرانجام ، یک مکانیزم تشویقی مبتنی بر بازی Stackelberg برای جذب کارگران معتبر برای شرکت در یادگیری متا ، به حداقل رساندن هزینه های انرژی کاربران ، افزایش بازپرداخت ، تقویت اثربخشی FML و بهبود ابزار متاور ارائه شده است.نتایج نشان می دهد که چارچوب بازی دوگانه ما از طرح های خوشه بندی بهترین تلاش ، تصادفی و غیر یکنواخت بهتر است-بهبود عملکرد آموزش تا 10 ٪ ، کاهش زمان اتمام تا 30 ٪ ، باعث افزایش بیش از 25 ٪ کاربردی متاور می شود ، وبا افزایش 5 درصدی در آموزش کارآیی نسبت به سیستم های غیر بلوک ، به طور مؤثر مقابله با کاربران نادرست.