論文の概要: How to Rationally Select Your Delegatee in PoS

• arxiv url: http://arxiv.org/abs/2310.08895v1
• Date: Fri, 13 Oct 2023 06:58:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 02:33:12.365300
• Title: How to Rationally Select Your Delegatee in PoS
• Title（参考訳）: PoSでデリゲートをリズミカルに選び出す方法
• Authors: Yuzhe Zhang, Qin Wang, Shiping Chen, Chen Wang,
• Abstract要約: 本稿は、日常的なユーザにとって単純だが重要な問題に焦点を当てている。 実証・オブ・テイク(PoS)プロトコルの中で、どのようにデリゲートされたバリデータを選択するべきか? 我々は,通常のユーザのデリゲートに対する信頼度を定量化するベイズモデルを提案し,さらにユーザの反応をシミュレートするゲーム理論モデルに組み込む。 この結果から,利用者は代行コスト,他ユーザの行動,代行者の評価を慎重に評価し,代行者を選択し,代行者を利用する傾向にあることがわかった。
• 参考スコア（独自算出の注目度）: 7.541721598051209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper centers around a simple yet crucial question for everyday users: How should one choose their delegated validators within proof-of-stake (PoS) protocols, particularly in the context of Ethereum 2.0? This has been a long-overlooked gap, as existing studies have primarily focused on inter-committee (validator set) behaviors and activities, while neglecting the dynamic formation of committees, especially for individual stakeholders seeking reliable validators. Our study bridges this gap by diving into the delegation process (normal users delegate their small-value tokens to delegatees who later act as validators) before entering an actual consensus phase. We propose a Bayesian model to quantify normal users' trust in delegatees, which we further incorporate into a game-theoretical model to simulate users' reactions against a set of critical factors identified through extensive research (including 10+ staking service provider as well as 30+ PoS blockchains). Our results reveal that users tend to choose their delegatees and utilize their tokens by carefully weighing the delegation cost, the behaviors of other users, and the reputation of delegatees, ultimately reaching a Nash equilibrium. Unfortunately, the collective trend significantly increases the likelihood of token concentration on a small number of delegatees.
• Abstract（参考訳）: 特にEthereum 2.0のコンテキストにおいて、PoSプロトコルの中で、どのようにデリゲートされたバリデータを選択するべきか。 これは長年見過ごされてきたギャップであり、既存の研究は、委員会、特に信頼できるバリデーションを求める個人利害関係者の動的形成を無視しながら、主にコミッテート間(検証者集合)の行動と活動に焦点を当ててきた。 我々の研究は、実際のコンセンサスフェーズに入る前に、このギャップをデリゲートプロセス(通常ユーザは、後にバリデータとして機能するデリゲートに小額のトークンを委譲する)に飛び込み、橋渡しします。 我々は,通常のユーザのデリゲートに対する信頼度を定量化するベイズモデルを提案し,さらにゲーム理論モデルに組み込んで,広範な研究(10以上のテイクサービスプロバイダと30以上のPoSブロックチェーンを含む)を通じて識別された重要な要因に対するユーザの反応をシミュレートする。 この結果から,利用者は代行コスト,他ユーザの行動,および代行者の評判を慎重に評価し,最終的にナッシュ均衡に達することで代行者を選択して利用しがちであることが明らかとなった。 残念なことに、この集団傾向は少数のデリゲートにトークン濃度が集中する可能性を大幅に高める。

関連論文リスト

• Fuzzychain: An Equitable Consensus Mechanism for Blockchain Networks [12.433289572707212]
  Fuzzychainは、PoS(Proof of Stake)の欠点に対する解決策として提案されている。 ファイトセマンティクスを定義するためにファジィセットを導入し、分散化された分散処理制御を促進する。 以上の結果から,Fuzzychainは機能的にPoSに適合するだけでなく,バリデータ間の利害関係の公平な分布も確保できることがわかった。
  論文  参考訳（メタデータ） (2024-04-20T10:01:40Z)
• Decentralized Blockchain-based Robust Multi-agent Multi-armed Bandit [12.547006167704398]
  我々は、悪意のある参加者の存在、すなわち、複数の参加者が完全に分散化されたブロックチェーン上に分散されるマルチエージェントのマルチエージェントバンディット問題の存在下で、ロバストな研究を行う。 私たちは、ブロックチェーンの高度なテクニックを協力的な意思決定フレームワークに組み込んで、正直な参加者のために最適な戦略を設計しました。 特に、提案アルゴリズムの理論的後悔を初めて証明し、その最適性を主張する。
  論文  参考訳（メタデータ） (2024-02-06T21:33:34Z)
• Analyzing Geospatial Distribution in Blockchains [15.432313954857106]
  ブロックチェーンの分散化は、しばしば見過ごされるが、定量化可能な次元である、トランザクション処理の地理空間分布を分析します。 マイノリティ検証者はパフォーマンス要件を満たしない傾向があり、しばしばクラッシュの失敗と誤解される。 我々はコンセンサスプロトコルと容易に統合できるソリューションを開発した。
  論文  参考訳（メタデータ） (2023-05-28T16:35:01Z)
• A Blockchain-based Platform for Reliable Inference and Training of Large-Scale Models [1.323497585762675]
  我々は、大規模モデルの信頼性の高い推論とトレーニングを保証するために特別に設計された、新しいプラットフォームであるBRAINを紹介する。 BRAINはユニークな2フェーズトランザクション機構を利用し、パイプライニングによるリアルタイム処理を可能にする。 BRAINは、合理的なガス料金でかなり高い推論スループットを提供する。
  論文  参考訳（メタデータ） (2023-05-06T14:21:41Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Spatio-Temporal Graph Representation Learning for Fraudster Group Detection [50.779498955162644]
  企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。 そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。 両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:01:38Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Learning to Separate Clusters of Adversarial Representations for Robust Adversarial Detection [50.03939695025513]
  本稿では,最近導入された非破壊的特徴を動機とした新しい確率的対向検出器を提案する。 本稿では,非ロバスト特徴を逆例の共通性と考え,その性質に対応する表現空間におけるクラスターの探索が可能であることを推定する。 このアイデアは、別のクラスタ内の逆表現の確率推定分布を導出し、その分布を確率に基づく逆検出器として活用する。
  論文  参考訳（メタデータ） (2020-12-07T07:21:18Z)
• Maximizing Information Gain in Partially Observable Environments via Prediction Reward [64.24528565312463]
  本稿では,深いRLエージェントに対する信念に基づく報酬の活用という課題に取り組む。 負のエントロピーと予測される予測報酬の正確な誤差を導出する。 この洞察は、予測報酬を用いたいくつかの分野の理論的動機を与える。
  論文  参考訳（メタデータ） (2020-05-11T08:13:49Z)

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。