論文の概要: Dave: a decentralized, secure, and lively fraud-proof algorithm

• arxiv url: http://arxiv.org/abs/2411.05463v1
• Date: Fri, 08 Nov 2024 10:31:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:53:20.304169
• Title: Dave: a decentralized, secure, and lively fraud-proof algorithm
• Title（参考訳）: Dave: 分散化され、セキュアで、生き生きとした詐欺対策のアルゴリズム
• Authors: Diego Nehab, Gabriel Coutinho de Paula, Augusto Teixeira,
• Abstract要約: 我々は、分散化、セキュリティ、活力という前例のない組み合わせを提供する新しい詐欺防止アルゴリズムを導入する。 敵を倒すために正直な参加者によって動員されなければならない資源は、敵が最終的に失うものと対数的にしか成長しない。
• 参考スコア（独自算出の注目度）: 1.9662978733004601
• License:
• Abstract: In this paper, we introduce a new fraud-proof algorithm that offers an unprecedented combination of decentralization, security, and liveness. The resources that must be mobilized by an honest participant to defeat an adversary grow only logarithmically with what the adversary ultimately loses. As a consequence, there is no need to introduce high bonds that prevent an adversary from creating too many Sybils. This makes the system very inclusive and frees participants from having to pool resources among themselves to engage the protocol. Finally, the maximum delay to finalization also grows only logarithmically with total adversarial expenditure, with the smallest multiplicative factor to date. In summary: the entire dispute completes in 2--5 challenge periods, the only way to break consensus is to censor the honest party for more than one challenge period, and the costs of engaging in the dispute are minimal.
• Abstract（参考訳）: 本稿では,分散化,セキュリティ,生活を前例のない組み合わせで実現した,新たな不正防止アルゴリズムを提案する。 敵を倒すために正直な参加者によって動員されなければならない資源は、敵が最終的に失うものと対数的にしか成長しない。 その結果、敵が過度に多くのシビルを作るのを防ぐ高い結合を導入する必要はない。 これにより、システムが非常に包括的になり、参加者がプロトコルに参加するためにリソースをプールする必要がなくなる。 最後に、ファイナライゼーションの最大遅延は、対数的に対数的に対数的にしか増加せず、これまでの乗算係数は最小である。 要約すると、論争全体が2～5の課題期間で完了し、合意を破る唯一の方法は、正直な党を1つ以上の課題期間で検閲することであり、紛争に関わるコストは最小限である。

関連論文リスト

• Barriers to Welfare Maximization with No-Regret Learning [68.66209476382213]
  我々は、ほぼ最適の$T$-sparse CCEの計算限界を低く証明する。 特に,最大傾斜角の不適応性は,時間内に非自明な間隔を達成できないことを示す。
  論文  参考訳（メタデータ） (2024-11-04T00:34:56Z)
• Mitigating Challenges in Ethereum's Proof-of-Stake Consensus: Evaluating the Impact of EigenLayer and Lido [4.606106768645647]
  Proof-of-Work(PoW)からProof-of-Stake(PoS)コンセンサスメカニズムへの移行は、ブロックチェーンバリデーションに対する変革的なアプローチを導入している。 本稿では,EigenLayer と Lido の2つの革新的なソリューションについて検討する。 よりレジリエントで包括的なエコシステムを育むために,EigenLayer と Lido の併用の可能性を評価する。
  論文  参考訳（メタデータ） (2024-10-30T19:58:46Z)
• PureLottery: Fair and Bias-Resistant Leader Election with a Novel Single-Elimination Tournament Algorithm [0.0]
  リーダ選挙(LE)は分散システムとブロックチェーン技術において重要であり、ひとつの参加者がリーダとして行動することを保証する。 従来のLEメソッドは、しばしば分散乱数生成(RNG)に依存しており、操作の脆弱性、公平性の欠如、検証遅延関数(VDF)や公開検証秘密共有(PVSS)といった複雑な手順の必要性といった問題に直面している。 この学説はランダム化されたLEに対する新しいアプローチを示し、ゲーム理論的な仮定を利用して、参加者がリーダーとして選ばれることを目指して、機会を減少させる行為を自然に避ける。 この観点は、分散化の必要性を排除してLEを単純化する
  論文  参考訳（メタデータ） (2024-02-27T12:30:17Z)
• 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)
• Sui Lutris: A Blockchain Combining Broadcast and Consensus [6.922934367879061]
  Sui Lutrisは、秒以下のファイナリティを達成した最初のスマートコントラクトプラットフォームである。 我々は、コンセンサスのないブロックチェーンの安全な再構成を確実に示すために、新しい再構成プロトコルを開発した。
  論文  参考訳（メタデータ） (2023-10-27T10:40:11Z)
• Communication-Efficient Decentralized Federated Learning via One-Bit Compressive Sensing [52.402550431781805]
  分散連合学習(DFL)は、様々なアプリケーションにまたがる実用性によって人気を博している。 集中型バージョンと比較して、DFLの多数のノード間で共有モデルをトレーニングするのはより難しい。 我々は,iADM (iexact alternating direction method) の枠組みに基づく新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-08-31T12:22:40Z)
• Resilient Consensus Sustained Collaboratively [6.090550359575682]
  本稿では,既存のPoS/BFTブロックチェーンを長距離攻撃から保護するPower-of-Collaborationプロトコルの設計を提案する。 PoCは公平性と説明責任を保証し、基盤となるシステムのスループットをわずかに低下させる。
  論文  参考訳（メタデータ） (2023-02-05T07:33:57Z)
• Quantization for decentralized learning under subspace constraints [61.59416703323886]
  エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。 本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。 この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
  論文  参考訳（メタデータ） (2022-09-16T09:38:38Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)
• Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
  本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。 我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。 シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
  論文  参考訳（メタデータ） (2021-02-13T19:25:52Z)
• 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)

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。