En la sesión abierta de hoy, realizamos un análisis sobre la aplicación de evaluadores de impacto o sistemas de tipo recompensa por bloque para 2 dominios: publicación académica y medio ambiente Derivamos 5 características útiles en su diseño 1. Todas las funciones de evaluadores de impacto requieren una conversión creíble en fungibilidad El poder de hash para btc, el almacenamiento para fil, etc. son funciones matemáticas claras que permiten la emisión contra alguna fórmula Pero las personas solo compran la emisión si aceptan su neutralidad. Por ejemplo, los créditos de carbono son fungibles, pero muchos contaminadores de carbón utilizan alguna tecnología ligeramente mejor y reciben créditos, por lo que no es del todo creíble 2. Si se obtienen adecuadamente, los sistemas de evaluadores de impacto se convierten en perillas mediante las cuales podemos alinear a los actores a largo plazo en torno a un resultado ideal que queremos También deberían ser métricas que son difíciles de obtener pero fáciles de verificar, similar a btc o capacidad de almacenamiento 3. Queremos idealmente resolver primero algún problema local como "¿es suficiente este artículo para ser aceptado en las conferencias?" Y hacer esas entradas en problemas más globales como "¿es la conferencia de alto impacto?", "¿qué tan bueno es un investigador medido por sus publicaciones en buenas conferencias?" 4. Queremos que los evaluadores de impacto sean sistemas de auto-mejora, de lo contrario, pueden convertirse en bastiones de poder Un buen ejemplo es la implementación de pluralidad en notas comunitarias o cluster QF. Si 2 personas normalmente están en desacuerdo pero ahora están de acuerdo, eso tiene un mayor peso. Pero si vuelven a estar de acuerdo la próxima vez, tiene un peso menor ya que la última vez votaron juntos 5. Finalmente, tenemos evaluadores de impacto como funciones matemáticas duras que liberan algunas emisiones frente a fuerzas más suaves e irracionales como los precios de mercado de esa moneda, que necesitan ser equilibradas entre sí.
Devansh Mehta
Devansh Mehta29 jul 2025
Qué gran primera presentación en el retiro de investigación de uno de los participantes sobre la teoría del control Dirigía una empresa cuantitativa llena de matemáticos, por lo que necesitaba determinar exactamente la estructura de bonificación en función de las ganancias obtenidas por los comerciantes Era muy técnico, por lo que gran parte de eso pasó por encima de mi cabeza, pero entendí algunos puntos clave; 1. Deberíamos convertir los problemas globales (como cuánto contribuyó esta persona a la empresa) en problemas locales (quién fue responsable de este intercambio de $ 100 y cuánto) 2. Separamos la estimación o el cálculo de los pesos del control o la determinación de los pagos en función de los parámetros obtenidos 3. Para las preguntas de control, cambiamos de una estructura gráfica a una matriz, lo que hace que todo el problema de distribución sea más manejable Gran parte de lo que discutimos fue muy relevante para la financiación profunda. Mis 2 claves para llevar fueron - Si partes de la matriz están vacías, ¿podemos usar el juicio humano destilado para estimar sus respuestas? - Si la financiación profunda es menos una estructura de árbol y más un gráfico acíclico dirigido, ¿se pueden aplicar algoritmos de recomendación para obtener ponderaciones entre repositorios?
15.09K