Nella sessione aperta di oggi abbiamo condotto un'analisi sull'applicazione di sistemi di valutazione d'impatto o di tipo block reward per 2 domini: pubblicazione accademica e ambiente Abbiamo derivato 5 caratteristiche utili nel loro design 1. Tutte le funzioni di valutazione d'impatto richiedono una conversione credibile in fungibilità La potenza di hash per btc, lo storage per fil, ecc. sono chiare funzioni matematiche che consentono l'emissione contro una certa formula Ma le persone acquistano l'emissione solo se accettano la sua neutralità. Ad esempio, i crediti di carbonio sono fungibili, ma molti inquinatori di carbone utilizzano una tecnologia leggermente migliore e ricevono crediti, quindi non è del tutto credibile 2. Se ottenuti correttamente, i sistemi di valutazione d'impatto diventano manopole attraverso le quali possiamo allineare gli attori a lungo termine attorno a un risultato ideale che desideriamo Dovrebbero anche essere metriche difficili da ottenere ma facili da verificare, simili a btc o capacità di storage 3. Vogliamo idealmente prima risolvere qualche problema a livello locale come "questo articolo è sufficiente per essere accettato alle conferenze" E fare quegli input su problemi più globali come "la conferenza è ad alto impatto", "quanto è bravo un ricercatore misurato dalle sue pubblicazioni in buone conferenze" 4. Vogliamo che i valutatori d'impatto siano sistemi auto-aggiornanti, altrimenti possono ossificarsi in bastioni di potere Un buon esempio è l'implementazione della pluralità nelle note della comunità o cluster QF. Se 2 persone normalmente non sono d'accordo ma ora sono d'accordo, questo ha un peso maggiore. Ma se di nuovo sono d'accordo la prossima volta, ha un peso minore poiché l'ultima volta hanno votato insieme 5. Infine, abbiamo valutatori d'impatto come funzioni matematiche dure che rilasciano alcune emissioni rispetto a forze più morbide e irrazionali come i prezzi di mercato di quella valuta, che devono essere confrontate tra loro.
Devansh Mehta
Devansh Mehta29 lug 2025
Che grande prima presentazione al ritiro di ricerca da parte di uno dei partecipanti sulla teoria del controllo Ha gestito una società di trading quantitativo piena di matematici, quindi doveva determinare esattamente la struttura dei bonus in base ai profitti realizzati dai trader Era molto tecnico, quindi gran parte mi è sfuggita, ma alcuni punti chiave li ho colti; 1. Dovremmo convertire i problemi globali (come quanto ha contribuito questa persona all'azienda) in problemi locali (chi è stato responsabile di questo trade da $100 e quanto) 2. Separiamo la stima o la determinazione dei pesi dal controllo o dalla determinazione dei pagamenti in base ai parametri ottenuti 3. Per le domande di controllo, passiamo da una struttura a grafo a una matrice, rendendo l'intero problema di distribuzione più gestibile Gran parte di ciò di cui abbiamo discusso era altamente rilevante per il deep funding. I miei 2 punti chiave sono stati - Se parti della matrice non sono compilate, possiamo usare il giudizio umano distillato per stimare comunque le loro risposte? - Se il deep funding è meno una struttura ad albero e più un grafo aciclico diretto, allora possono essere applicati algoritmi di raccomandazione per ottenere pesi tra i repos?
15,25K