In de open sessie van vandaag hebben we een analyse uitgevoerd over de toepassing van impact evaluatoren of block reward type systemen voor 2 domeinen: academische publicaties & milieu We hebben 5 nuttige kenmerken in hun ontwerp afgeleid 1. Alle functies van impact evaluatoren vereisen een geloofwaardige conversie naar verhandelbaarheid Hashkracht voor btc, opslag voor fil, enz. zijn duidelijke wiskundige functies die het mogelijk maken om uitgifte tegen een bepaalde formule te doen Maar mensen kopen alleen in de uitgifte als ze de neutraliteit ervan accepteren. Bijvoorbeeld, koolstofcredits zijn verhandelbaar, maar veel kolenvervuilers gebruiken een iets betere technologie en ontvangen credits, dus het is niet helemaal geloofwaardig 2. Als ze goed verkregen zijn, worden impact evaluators knoppen waarmee we lange termijn actoren kunnen afstemmen rond een ideaal resultaat dat we willen Ze moeten ook metrics zijn die moeilijk te verkrijgen zijn maar gemakkelijk te verifiëren, vergelijkbaar met btc of opslagcapaciteit 3. We willen idealiter eerst een probleem lokaal oplossen zoals "is dit paper voldoende om geaccepteerd te worden op de conferenties" En die input gebruiken voor meer globale problemen zoals "is de conferentie van hoge impact", "hoe goed is een onderzoeker gemeten aan de hand van hun publicatie in goede conferenties" 4. We willen dat impact evaluatoren zelfupgrading systemen zijn, anders kunnen ze verstenen in bastions van macht Een goed voorbeeld is de implementatie van pluraliteit in community notes of cluster QF. Als 2 mensen normaal gesproken het oneens zijn maar nu het eens zijn, heeft dat een hoger gewicht. Maar als ze de volgende keer weer het eens zijn, heeft dat een lager gewicht omdat ze de vorige keer samen hebben gestemd 5. Ten slotte hebben we impact evaluatoren als harde wiskundige functies die enige emissies vrijgeven versus meer zachte & irrationele krachten zoals marktprijzen van die valuta, die tegen elkaar moeten worden afgewogen.
Devansh Mehta
Devansh Mehta29 jul 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?
15,08K