論文の概要: Equilibrium of Blockchain Miners with Dynamic Asset Allocation

• arxiv url: http://arxiv.org/abs/2006.08016v2
• Date: Fri, 4 Dec 2020 04:06:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-14 19:02:42.294444
• Title: Equilibrium of Blockchain Miners with Dynamic Asset Allocation
• Title（参考訳）: 動的アセット割り当てを伴うブロックチェーンマイナの平衡
• Authors: Go Yamamoto, Aron Laszka, Fuhito Kojima
• Abstract要約: マイニングビジネスの複合リターンを最大化しようとするブロックチェーンマイニング担当者をモデル化し、分析する。 鉱業コストは、各鉱業者または鉱業プールの平衡におけるシェアを決定する。 複合的なリターンを最大化しようとする鉱夫も鉱業プールも、ハッシュレートの50%以上を占めるための経済的インセンティブは得られないと結論付けている。
• 参考スコア（独自算出の注目度）: 4.030037871304249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We model and analyze blockchain miners who seek to maximize the compound return of their mining businesses. The analysis of the optimal strategies finds a new equilibrium point among the miners and the mining pools, which predicts the market share of each miner or mining pool. The cost of mining determines the share of each miner or mining pool at equilibrium. We conclude that neither miners nor mining pools who seek to maximize their compound return will have a financial incentive to occupy more than 50% of the hash rate if the cost of mining is at the same level for all. However, if there is an outstandingly cost-efficient miner, then the market share of this miner may exceed 50% in the equilibrium, which can threaten the viability of the entire ecosystem.
• Abstract（参考訳）: マイニングビジネスの複合リターンを最大化しようとするブロックチェーンマイニング担当者をモデル化し、分析する。 最適戦略の分析では、鉱夫と鉱夫の間で新たな均衡点が発見され、鉱夫や鉱夫の市場シェアを予測している。 鉱業のコストは、各鉱夫または鉱業プールのシェアを均衡で決定する。 我々は, 複合リターンを最大化しようとする鉱夫も鉱業プールも, 鉱業コストが同じ水準であれば, ハッシュレートの50%以上を占めるための経済的インセンティブは得られないと結論づける。 しかし、優れたコスト効率の鉱夫が存在する場合、この鉱夫の市場シェアは均衡の50%を超え、生態系全体の存続を脅かす可能性がある。

関連論文リスト

• Model-based Analysis of Mining Fairness in a Blockchain [2.9281463284266973]
  ブロックチェーンにおけるマイニングフェアネスは、マイニングに投資した計算リソースと、受け取ったブロック報酬の平等を指す。 簡単な数学的モデルを用いてマイニングフェアネスを計算する手法を提案する。 本手法は,少数のマイニング業者のネットワークにおけるマイニングフェアネスを精度良く計算できることを確認した。
  論文  参考訳（メタデータ） (2024-06-02T02:27:28Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Smoothening block rewards: How much should miners pay for mining pools? [11.245119287096419]
  我々は、スムーズな報酬を持つ鉱山労働者の経済的優位性を定量化する。 我々は、鉱夫が鉱業用プールサービスに対して支払うべき報酬の最大割合を定義するためにこれを使用します。
  論文  参考訳（メタデータ） (2023-09-05T14:59:01Z)
• Cobalt: Optimizing Mining Rewards in Proof-of-Work Network Games [6.052883613180156]
  マイニング報酬に影響を及ぼす重要な要因は、ピアツーピアネットワークにおけるマイナー間の接続である。 我々は、鉱夫が誰と接続するかを盗賊問題として決定する問題を定式化する。 我々の研究の重要な貢献は、帯域幅アルゴリズム内のネットワーク構造を学習するためにネットワーク座標に基づくモデルを使用することである。
  論文  参考訳（メタデータ） (2023-07-10T16:50:58Z)
• Partial Selfish Mining for More Profits [21.636578888742477]
  マイニング攻撃は、ブロックチェーンマイニングにおける余分な報酬の不正なシェアを獲得することを目的としている。 本稿では,PSM(Partial Selfish Mining)攻撃を新たに提案する。 PSM攻撃者は、一定範囲の採掘力とネットワーク条件下で、利己的な鉱山労働者よりも利益があることを示す。
  論文  参考訳（メタデータ） (2022-07-27T11:58:38Z)
• A Collaboration Strategy in the Mining Pool for Proof-of-Neural-Architecture Consensus [16.372941299296652]
  一般に普及している暗号通貨システムでは、マイニングプールが重要な役割を担っている。 最近の多くの新しいブロックチェーンコンセンサスにおいて、ディープラーニングトレーニング手順は、マイナーが自身のワークロードを証明するタスクになる。 鉱山労働者のインセンティブはトークンを得ることであるが、個々の鉱山労働者はより競争力を高めるために鉱山プールに参加する動機がある。
  論文  参考訳（メタデータ） (2022-05-05T17:08:02Z)
• The MineRL 2020 Competition on Sample Efficient Reinforcement Learning using Human Priors [62.9301667732188]
  我々は,MineRLコンペティションの第2イテレーションを提案する。 競争の主な目標は、人間のデモンストレーションを効率的に活用できるアルゴリズムの開発を促進することです。 コンペティションは、データセットと環境のペアバージョンが複数提供される2ラウンドで構成されている。 各ラウンドの終わりに、競合他社はコンテナ化された学習アルゴリズムをaicrowdプラットフォームに提出する。
  論文  参考訳（メタデータ） (2021-01-26T20:32:30Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Weighted QMIX: Expanding Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning [66.94149388181343]
  本稿では,MARLのためのQ$-learningアルゴリズムの新バージョンを提案する。 Q*$をアクセスしても、最適なポリシーを回復できることを示します。 また,プレデレータープリとマルチエージェントのStarCraftベンチマークタスクの性能向上を実証した。
  論文  参考訳（メタデータ） (2020-06-18T18:34:50Z)
• Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach [54.29213445674221]
  Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。 BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。 我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
  論文  参考訳（メタデータ） (2020-04-08T16:29:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。