Na sessão aberta de hoje, fizemos uma análise sobre a aplicação de sistemas de avaliador de impacto ou de recompensa de bloco para 2 domínios: publicação acadêmica e meio ambiente Derivamos 5 recursos úteis em seu design 1. Todas as funções do avaliador de impacto requerem conversão confiável em fungibilidade Poder de hash para btc, armazenamento para fil, etc. são funções matemáticas claras que permitem a emissão contra alguma fórmula Mas as pessoas só compram a emissão se aceitarem sua neutralidade. Por exemplo, os créditos de carbono são fungíveis, mas muitos poluidores de carvão usam uma tecnologia um pouco melhor e recebem créditos, portanto, não é totalmente confiável 2. Se obtidos adequadamente, os sistemas avaliadores de impacto tornam-se botões pelos quais podemos alinhar atores de longo prazo em torno de um resultado ideal que desejamos Eles também devem ser métricas difíceis de obter, mas fáceis de verificar, semelhantes ao btc ou à capacidade de armazenamento 3. Idealmente, queremos primeiro resolver algum problema localmente como "este artigo é suficiente para ser aceito nas conferências" E faça essas contribuições para problemas mais globais como "a conferência é de alto impacto", "quão bom é um pesquisador medido por sua publicação em boas conferências" 4. Queremos que os avaliadores de impacto sejam sistemas de auto-atualização, caso contrário, eles podem se ossificar em bastiões de poder Um bom exemplo é a implementação da pluralidade nas notas da comunidade ou no QF do cluster. Se 2 pessoas normalmente discordam, mas agora concordam, isso tem um peso maior. Mas se eles concordarem novamente da próxima vez, isso terá um peso menor desde a última vez que votaram juntos 5. Finalmente, temos avaliadores de impacto como funções matemáticas rígidas que liberam algumas emissões versus forças mais suaves e irracionais, como os preços de mercado dessa moeda, que precisam ser enquadrados uns contra os outros
Devansh Mehta
Devansh Mehta29 de jul. de 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?
15,1K