W dzisiejszej otwartej sesji przeprowadziliśmy analizę zastosowania systemów oceny wpływu lub systemów nagród blokowych w 2 dziedzinach: publikacje akademickie i środowisko. Wyodrębniliśmy 5 użytecznych cech w ich projektowaniu. 1. Wszystkie funkcje oceny wpływu wymagają wiarygodnej konwersji na wymienność. Moc obliczeniowa dla btc, pamięć dla fil itd. to jasne funkcje matematyczne pozwalające na emisję w oparciu o jakąś formułę. Jednak ludzie kupują emisję tylko wtedy, gdy akceptują jej neutralność. Na przykład, kredyty węglowe są wymienne, ale wielu zanieczyszczających węgiel używa nieco lepszej technologii i otrzymuje kredyty, więc nie jest to całkowicie wiarygodne. 2. Jeśli są odpowiednio uzyskane, systemy oceny wpływu stają się pokrętłami, za pomocą których możemy dostosować długoterminowych aktorów do idealnego wyniku, którego chcemy. Powinny to być również metryki, które są trudne do uzyskania, ale łatwe do weryfikacji, podobnie jak btc lub pojemność pamięci. 3. Chcemy najpierw rozwiązać jakiś problem lokalnie, na przykład "czy ten artykuł jest wystarczający, aby zostać zaakceptowanym na konferencjach?" I wprowadzić te dane do bardziej globalnych problemów, takich jak "czy konferencja ma duży wpływ?", "jak dobry jest badacz, mierzony jego publikacjami w dobrych konferencjach?" 4. Chcemy, aby oceny wpływu były systemami samouczącymi się, w przeciwnym razie mogą skostnieć w bastiony władzy. Dobrym przykładem jest wdrożenie pluralizmu w notatkach społecznościowych lub klastrze QF. Jeśli 2 osoby zazwyczaj się nie zgadzają, ale teraz się zgadzają, ma to większą wagę. Ale jeśli znów się zgodzą następnym razem, ma to mniejszą wagę, ponieważ ostatnim razem głosowali razem. 5. Na koniec mamy oceny wpływu jako twarde funkcje matematyczne, które uwalniają pewne emisje w porównaniu do bardziej miękkich i irracjonalnych sił, takich jak ceny rynkowe tej waluty, które muszą być ze sobą porównane.
Devansh Mehta
Devansh Mehta29 lip 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