Lors de la session ouverte d'aujourd'hui, nous avons réalisé une analyse sur l'application des systèmes d'évaluateur d'impact ou de récompense de bloc pour 2 domaines : l'édition académique et l'environnement. Nous avons dérivé 5 caractéristiques utiles dans leur conception. 1. Toutes les fonctions d'évaluateur d'impact nécessitent une conversion crédible en fongibilité. La puissance de hachage pour le btc, le stockage pour le fil, etc. sont des fonctions mathématiques claires permettant l'émission selon une certaine formule. Mais les gens n'achètent l'émission que s'ils acceptent sa neutralité. Par exemple, les crédits carbone sont fongibles, mais de nombreux pollueurs de charbon utilisent une technologie légèrement meilleure et reçoivent des crédits, donc ce n'est pas entièrement crédible. 2. Si obtenus correctement, les systèmes d'évaluateur d'impact deviennent des outils par lesquels nous pouvons aligner les acteurs à long terme autour d'un résultat idéal que nous souhaitons. Ils devraient également être des métriques qui sont difficiles à obtenir mais faciles à vérifier, similaires à btc ou à la capacité de stockage. 3. Nous voulons idéalement d'abord résoudre un problème local comme "ce papier est-il suffisant pour être accepté aux conférences ?" Et faire ces entrées sur des problèmes plus globaux comme "la conférence a-t-elle un impact élevé ?", "quelle est la qualité d'un chercheur mesurée par ses publications dans de bonnes conférences ?" 4. Nous voulons que les évaluateurs d'impact soient des systèmes auto-améliorants, sinon ils peuvent s'ossifier en bastions de pouvoir. Un bon exemple est la mise en œuvre de la pluralité dans les notes communautaires ou le QF de cluster. Si 2 personnes sont normalement en désaccord mais sont maintenant d'accord, cela a un poids plus élevé. Mais si elles sont à nouveau d'accord la prochaine fois, cela a un poids plus faible puisque la dernière fois elles ont voté ensemble. 5. Enfin, nous avons des évaluateurs d'impact en tant que fonctions mathématiques dures qui libèrent certaines émissions contre des forces plus douces et irrationnelles comme les prix du marché de cette monnaie, qui doivent être mises en balance les unes contre les autres.
Devansh Mehta
Devansh Mehta29 juil. 2025
What a great first presentation at the research retreat by one of the participants on control theory He ran a quant firm full of mathematicians, so he needed to exactly determine the bonus structure based on profit made by traders It was highly technical so much of it went over my head, but some key points i did get; 1. We should convert global problems (like how much did this person contribute to the company) into local ones (who was responsible for this $100 trade and how much) 2. We separate out estimation or figuring out weights from control or determining payouts based on obtained parameters 3. For control questions, we change from a graph structure into a matrix, making the whole distribution problem more tractable Much of what we discussed was highly relevant to deep funding. My 2 keys takeaways were - If parts of the matrix are unfilled, can we use distilled human judgment to still estimate their answers? - if deep funding is less of a tree structure and more of a directed acyclic graph, then can recommendation algorithms be applied to getting weights between repos?
15,09K