MetaFed：面向联邦元宇宙系统的隐私、性能与可持续性突破
机器学习
2025-11-06 v3 密码学与安全
计算机与社会
分布式、并行与集群计算
新兴技术
摘要
沉浸式元宇宙应用的快速扩张在性能、隐私和环境可持续性交叉的挑战日益突出。中心化架构在满足这些需求方面不足，常导致能源消耗升高、延迟增加和隐私问题。本文提出 MetaFed，一种去中心化的联邦学习（FL）框架，为元宇宙环境中的可持续和智能资源调度提供支持。MetaFed 集成了（i）用于动态客户选择的多智能体强化学习，（ii）采用同态加密的隐私保护联邦学习，以及（iii）与可再生能源availability 相吻合的碳感知调度。在 MNIST 和 CIFAR-10 上使用轻量级 ResNet 架构进行评估表明，MetaFed 在保持高准确率和最小通信开销的同时，相较于传统方法实现了最高 25% 的碳排放降低。这些结果突显了 MetaFed 作为构建环境负责任且符合隐私要求的元宇宙基础设施的可扩展解决方案。
引用
@article{arxiv.2508.17341,
title = {MetaFed: Advancing Privacy, Performance, and Sustainability in Federated Metaverse Systems},
author = {Muhammet Anil Yagiz and Zeynep Sude Cengiz and Polat Goktas},
journal= {arXiv preprint arXiv:2508.17341},
year = {2025}
}
备注
2025 IEEE International Symposium on Emerging Metaverse (ISEMV), co-located with the 2025 IEEE/CVF International Conference on Computer Vision (ICCV)