Na sessão aberta de hoje, realizámos uma análise sobre a aplicação de avaliadores de impacto ou sistemas de recompensa por bloco para 2 domínios: publicação académica e ambiente Derivámos 5 características úteis no seu design 1. Todas as funções de avaliadores de impacto requerem uma conversão credível em fungibilidade O 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 a sua neutralidade. Por exemplo, os créditos de carbono são fungíveis, mas muitos poluidores de carvão utilizam alguma tecnologia ligeiramente melhor e recebem créditos, por isso não é totalmente credível 2. Se obtidos corretamente, os sistemas de avaliadores de impacto tornam-se botões pelos quais podemos alinhar atores de longo prazo em torno de um resultado ideal que queremos Eles também devem ser métricas que são difíceis de obter, mas fáceis de verificar, semelhante ao btc ou à capacidade de armazenamento 3. Queremos idealmente primeiro resolver algum problema localmente, como "este artigo é suficiente para ser aceito nas conferências" E fazer essas entradas em problemas mais globais, como "a conferência é de alto impacto", "quão bom é um investigador medido pelas suas publicações em boas conferências" 4. Queremos que os avaliadores de impacto sejam sistemas autoatualizáveis, caso contrário, podem se ossificar em bastiões de poder Um bom exemplo é a implementação de pluralidade em notas comunitárias ou cluster QF. Se 2 pessoas normalmente discordam, mas agora concordam, isso tem um peso maior. Mas se concordarem novamente na próxima vez, isso tem um peso menor, uma vez que da última vez votaram juntas 5. Finalmente, temos avaliadores de impacto como funções matemáticas duras que liberam algumas emissões versus forças mais suaves e irracionais, como os preços de mercado daquela moeda, que precisam ser comparadas entre si.
Devansh Mehta
Devansh Mehta29/07/2025
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