⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-11-07 更新
MetaFed: Advancing Privacy, Performance, and Sustainability in Federated Metaverse Systems
Authors:Muhammet Anil Yagiz, Zeynep Sude Cengiz, Polat Goktas
The rapid expansion of immersive Metaverse applications introduces complex challenges at the intersection of performance, privacy, and environmental sustainability. Centralized architectures fall short in addressing these demands, often resulting in elevated energy consumption, latency, and privacy concerns. This paper proposes MetaFed, a decentralized federated learning (FL) framework that enables sustainable and intelligent resource orchestration for Metaverse environments. MetaFed integrates (i) multi-agent reinforcement learning for dynamic client selection, (ii) privacy-preserving FL using homomorphic encryption, and (iii) carbon-aware scheduling aligned with renewable energy availability. Evaluations on MNIST and CIFAR-10 using lightweight ResNet architectures demonstrate that MetaFed achieves up to 25% reduction in carbon emissions compared to conventional approaches, while maintaining high accuracy and minimal communication overhead. These results highlight MetaFed as a scalable solution for building environmentally responsible and privacy-compliant Metaverse infrastructures.
沉浸式元宇宙应用的快速扩展在性能、隐私和环境可持续性交汇处带来了复杂的挑战。集中式架构在应对这些需求时显得力不从心，常常导致能耗增加、延迟和隐私担忧。本文针对元宇宙环境提出了一种可持续的智能资源编排的分布式联邦学习（FL）框架MetaFed。MetaFed集成了（i）用于动态客户端选择的多智能体强化学习，（ii）使用同态加密的隐私保护联邦学习，以及（iii）与可再生能源可用性相对应的碳感知调度。在MNIST和CIFAR-10上使用轻量级ResNet架构的评估表明，与传统方法相比，MetaFed实现了高达25%的碳排放减少，同时保持了高准确性和最小的通信开销。这些结果凸显了MetaFed在构建环保和符合隐私的元宇宙基础设施方面的可扩展解决方案。
论文及项目相关链接
PDF 2025 IEEE International Symposium on Emerging Metaverse (ISEMV), co-located with the 2025 IEEE/CVF International Conference on Computer Vision (ICCV)
Summary
本文探讨了沉浸式Metaverse应用所带来的性能、隐私和环境可持续性方面的挑战。针对集中式架构在处理这些需求时的不足（如能耗高、延迟和隐私担忧），本文提出了MetaFed，一个用于Metaverse环境的可持续智能资源编排的分布式联邦学习框架。MetaFed集成了多智能体强化学习进行动态客户端选择、使用同态加密的隐私保护联邦学习以及基于可再生能源可用性的碳感知调度。在MNIST和CIFAR-10上的评估使用轻量级ResNet架构，结果表明MetaFed与传统方法相比，碳排放量减少了高达25%，同时保持了高准确性和低通信开销。这为构建环境友好、符合隐私要求的Metaverse基础设施提供了一个可扩展的解决方案。
Key Takeaways
- Metaverse应用面临性能、隐私和环境可持续性方面的复杂挑战。
- 集中式架构在处理这些需求时存在缺陷，如高能耗、延迟和隐私担忧。
- MetaFed是一个用于Metaverse环境的分布式联邦学习框架，实现可持续智能资源编排。
- MetaFed集成了多智能体强化学习进行动态客户端选择。
- MetaFed使用同态加密实现隐私保护联邦学习。
- MetaFed具有碳感知调度功能，可基于可再生能源的可用性进行调整。
点此查看论文截图
