基于区块链的可靠联邦元学习：双游戏框架

元宇宙被视为下一代面向头像驱动虚拟交互的数字前沿，涉及高性能模型。在这种动态环境中，用户的任务频繁变化，需要在数据有限的情况下快速进行模型个性化。这种演变消耗大量资源，需要大量数据。为此，元学习成为元宇宙用户的宝贵工具，联邦元学习（FML）因其自适应能力提供了更有针对性的解决方案。然而，元宇宙以用户异构性为特征，数据结构多样、任务各异、样本大小不均，这可能因统计差异而损害全局训练结果。鉴于此，迫切需要一种考虑这些差异的智能联合形成机制。本文引入一个双游戏论框架，用于涉及元学习者的元宇宙服务。我们构建了一个基于声誉指标、用户相似性和激励的区块链可靠联合形成游戏。我们还引入一种基于用户历史贡献和潜在贡献的新型声誉系统，利用过去任务与新任务之间的相关性。最后，本文提出一种斯塔克莱伯博弈的激励机制，以吸引可靠工作者参与元学习，最小化用户能源成本，提高收益，提高FML效能，提升元宇宙效用。结果表明，我们的双游戏框架在最佳努力、随机和非均匀聚类方案中均表现出色——在训练性能上提升最高可达10%，完成时间缩短最高可达30%，元宇宙效用提升超过25%，在非区块链系统中训练效率提升最高可达5%，有效抵御恶意用户。