На сьогоднішній відкритій сесії ми провели аналіз застосування систем impact evaluator або block reward type для 2 доменів: академічні публікації та навколишнє середовище Ми вивели 5 корисних функцій в їх конструкції 1. Усі функції оцінювача впливу вимагають надійної перетворення на взаємозамінність Хеш-потужність для btc, сховище для fil і т.д. - це чіткі математичні функції, що дозволяють видавати проти деякої формули Але люди купуються на емісію лише в тому випадку, якщо приймають її нейтралітет. Наприклад, вуглецеві кредити взаємозамінні, але багато забруднювачів вугілля використовують трохи кращі технології та отримують кредити, тому це не зовсім вірогідно 2. Якщо їх правильно отримати, системи оцінки впливу стають ручками, за допомогою яких ми можемо вирівняти довгострокових акторів навколо ідеального результату, якого ми хочемо. Це також мають бути показники, які важко отримати, але які легко перевірити, подібно до btc або ємності сховища 3. Ми хочемо в ідеалі спочатку вирішити якусь проблему на місцевому рівні на кшталт «чи достатньо цього документа для прийняття на конференції?» І зробити ці внески в більш глобальні проблеми, такі як «чи має конференція великий вплив», «наскільки хорошим є дослідник, що вимірюється його публікацією на хороших конференціях?» 4. Ми хочемо, щоб оцінювачі впливу були системами, що самомодернізуються, інакше вони можуть закостеніти на бастіони влади Хорошим прикладом є реалізація множинності в нотатках спільноти або кластерному QF. Якщо 2 людини зазвичай не згодні, але тепер погоджуються, це має більшу вагу. Але якщо наступного разу вони знову погодяться, це матиме меншу вагу з того часу, як минулого разу вони голосували разом 5. Нарешті, ми маємо оцінювачі впливу як жорсткі математичні функції, які вивільняють деякі викиди проти більш м'яких та ірраціональних сил, таких як ринкові ціни цієї валюти, які потрібно зіставити одна проти одної
Devansh Mehta
Devansh Mehta29 лип. 2025 р.
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