Fugu-MT 論文翻訳(概要): Towards Universal Atomic Composability: A Formal Model for Multi-Rollup Environments on Ethereum

論文の概要: Towards Universal Atomic Composability: A Formal Model for Multi-Rollup Environments on Ethereum

arxiv url: http://arxiv.org/abs/2311.00422v2
Date: Sat, 4 Nov 2023 11:34:12 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 13:55:39.138291
Title: Towards Universal Atomic Composability: A Formal Model for Multi-Rollup Environments on Ethereum
Title（参考訳）: ユニバーサル・アトミック・コンポータビリティを目指して:Ethereum上のマルチロール環境のための形式モデル
Authors: Dipankar Sarkar,
Abstract要約: 証明上の複数のロールアップにまたがる普遍性に対処する包括的形式モデルを導入する。提案モデルでは,バッファリング,依存性管理,原子制御,ゼロ知識証明などのメカニズムが組み込まれている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the rapidly evolving domain of distributed ledger technology, scalability and interoperability have become paramount challenges for both academic and industry sectors. In this paper, we introduce a comprehensive formal model to address atomic composability across multiple rollups on Ethereum. The proposed model incorporates mechanisms like buffering, dependency management, concurrency control, and the groundbreaking zero-knowledge proofs. Moreover, we evaluate its practical repercussions, strengths, and weaknesses, ensuring resilience against manipulative or erroneous actions. The application of the proposed model to shared sequencers and other existing solutions accentuates its versatility and universality.
Abstract（参考訳）: 分散台帳技術の急速に発展する領域において、スケーラビリティと相互運用性は、学術と産業の両方において最重要課題となっている。本稿では,Ethereum上の複数のロールアップにまたがるアトミックコンポーザビリティに対処する包括的形式モデルを提案する。提案モデルではバッファリング,依存性管理,並行性制御,ゼロ知識証明などの機構を取り入れた。さらに, その実用的反感, 強み, 弱みを評価し, 操作性や誤動作に対する弾力性を確保する。提案したモデルを共有シーケンサや他の既存ソリューションに適用することは、その汎用性と普遍性をアクセントする。

関連論文リスト

FlickerFusion: Intra-trajectory Domain Generalizing Multi-Agent RL [19.236153474365747]
既存のMARLアプローチは、トレーニングと推論の間に実体の数が一定であるという制限的な仮定に依存することが多い。本稿では、ゼロショット・アウト・オブ・ドメイン(OOD)一般化の下での軌道内動的実体合成の課題に取り組む。本稿では,MARLのバックボーン法に普遍的に適用可能な拡張手法として機能する新しいOOD一般化手法であるFlickerFusionを提案する。
論文参考訳（メタデータ） (2024-10-21T10:57:45Z)
Investigating the Role of Instruction Variety and Task Difficulty in Robotic Manipulation Tasks [50.75902473813379]
本研究は、そのようなモデルの一般化能力における命令と入力の役割を体系的に検証する包括的評価フレームワークを導入する。提案フレームワークは,極度の命令摂動に対するマルチモーダルモデルのレジリエンスと,観測的変化に対する脆弱性を明らかにする。
論文参考訳（メタデータ） (2024-07-04T14:36:49Z)
Decentralized Transformers with Centralized Aggregation are Sample-Efficient Multi-Agent World Models [106.94827590977337]
本稿では,分散化された局所力学を拡張性のために学習するマルチエージェントRL(MARL)の新たな世界モデルを提案する。また、集中表現アグリゲーションを可能にする効果的なソリューションとしてPerceiver Transformerを導入する。 Starcraft Multi-Agent Challenge (SMAC) の結果は、サンプル効率と全体的な性能の両方において、強力なモデルフリーアプローチと既存のモデルベース手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-06-22T12:40:03Z)
All in One Framework for Multimodal Re-identification in the Wild [58.380708329455466]
オールインワン(AIO)という,ReID導入のためのマルチモーダル学習パラダイム AIOは、凍結したトレーニング済みのビッグデータをエンコーダとして利用し、追加の微調整なしに効果的なマルチモーダル検索を可能にする。クロスモーダルおよびマルチモーダルReIDの実験により、AIOは様々なモーダルデータを扱うだけでなく、困難な状況でも優れていることが明らかになった。
論文参考訳（メタデータ） (2024-05-08T01:04:36Z)
On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
論文参考訳（メタデータ） (2023-10-06T17:50:38Z)
Leveraging World Model Disentanglement in Value-Based Multi-Agent Reinforcement Learning [18.651307543537655]
本稿では,Distangled World Modelを用いた新しいモデルベースマルチエージェント強化学習手法であるValue Decomposition Frameworkを提案する。本研究では,本手法が高サンプリング効率を実現し,敵軍を撃破する性能が他のベースラインよりも優れていることを示すために,簡単な,ハード,スーパーハードのStarCraft IIマイクロマネジメントの課題について実験的に検討した。
論文参考訳（メタデータ） (2023-09-08T22:12:43Z)
Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
論文参考訳（メタデータ） (2023-08-16T07:36:58Z)
Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文参考訳（メタデータ） (2022-06-14T06:28:04Z)
Bayesian Stress Testing of Models in a Classification Hierarchy [0.0]
現実のアプリケーションで機械学習ソリューションを構築するには、しばしば、問題を様々な複雑さの複数のモデルに分解する。このような階層内のモデル間の相互作用をモデル化するためのベイズ的枠組みを提案する。我々は、このフレームワークが全体的なソリューションのストレステストを容易にし、アクティブなデプロイ前に期待されるパフォーマンスをより信頼できることを示した。
論文参考訳（メタデータ） (2020-05-25T18:22:07Z)

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。