MetaTrading：面向车载元宇宙服务的沉浸感知模型交易框架
机器学习
2025-11-04 v3 密码学与安全
计算机科学与博弈论
摘要
物联网数据的及时更新对于在车载元宇宙服务中实现沉浸感至关重要。然而，海量数据传输导致的延迟、与用户数据相关的隐私风险以及元宇宙服务提供商 (MSP) 的计算负担等挑战，阻碍了高质量数据的持续收集。为了应对这些挑战，我们提出了一种沉浸感知模型交易框架，该框架通过联邦学习 (FL) 实现高效且保护隐私的数据供应。具体而言，我们首先开发了一种新颖的多维模型沉浸度 (IoM) 评估指标。该指标考虑了本地模型的新鲜度和准确性，以及原始训练数据的数量和潜在价值。基于 IoM，我们设计了一种激励机制，鼓励元宇宙用户 (MU) 在资源约束下通过向 MSP 提供本地更新来参与 FL。MSP 和 MU 之间的交易交互被建模为带均衡约束的均衡问题 (EPEC)，以分析和平衡它们的成本与收益，其中作为领导者的 MSP 确定奖励，而作为跟随者的 MU 优化资源分配。为了确保隐私并适应动态网络条件，我们开发了一种基于深度强化学习的分布式动态奖励算法，无需获取来自 MU 和其他 MSP 的任何私人信息。实验结果表明，所提框架优于最先进的基准，在 MNIST 和 GTSRB 数据集上，IoM 平均分别提升了 38.3% 和 37.2%，达到目标精度的训练时间平均分别减少了 43.5% 和 49.8%。这些发现验证了我们方法在激励 MU 向 MSP 贡献高价值本地模型方面的有效性，为车载元宇宙服务中的数据供应提供了灵活且自适应的方案。
引用
@article{arxiv.2410.19665,
title = {MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services},
author = {Hongjia Wu and Hui Zeng and Zehui Xiong and Jiawen Kang and Zhiping Cai and Tse-Tin Chan and Dusit Niyato and Zhu Han},
journal= {arXiv preprint arXiv:2410.19665},
year = {2025}
}