面向元宇宙的联邦学习：综述
密码学与安全
2023-04-03 v1 人工智能
机器学习
摘要
正处于创新与探索阶段的元宇宙，在发展过程中面临数据收集的困境与私有数据泄露的问题。这会严重阻碍元宇宙的广泛部署。幸运的是，联邦学习（FL）是上述问题的一种解决方案。FL 是一种为大量边缘设备设计的具有隐私保护特性的分布式机器学习范式。面向元宇宙的联邦学习（FL4M）将成为一个有力的工具。因为 FL 允许边缘设备利用自身的数据、计算能力和模型构建能力在本地参与训练任务。将 FL 应用于元宇宙不仅保护了参与者的数据隐私，还降低了对服务器高算力和高内存的需求。迄今为止，已分别有许多关于 FL 和元宇宙的研究。在本文中，我们回顾了 FL4M 的一些早期进展，这将是一个具有无限发展潜力的研究方向。我们首先分别介绍了元宇宙和 FL 的概念。此外，我们详细讨论了元宇宙关键技术与 FL 的融合，例如大数据、通信技术、物联网、边缘计算、区块链和扩展现实。最后，我们详细讨论了 FL4M 的一些关键挑战和有前景的方向。总之，我们希望这篇最新的简要综述能帮助人们更好地理解 FL4M，并构建一个公平、开放和安全的元宇宙。
引用
@article{arxiv.2303.17987,
title = {Federated Learning for Metaverse: A Survey},
author = {Yao Chen and Shan Huang and Wensheng Gan and Gengsen Huang and Yongdong Wu},
journal= {arXiv preprint arXiv:2303.17987},
year = {2023}
}
备注
ACM Web Conference 2023