論文の概要: Optimal Reward Allocation via Proportional Splitting

• arxiv url: http://arxiv.org/abs/2503.10185v1
• Date: Thu, 13 Mar 2025 09:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:50:30.112235
• Title: Optimal Reward Allocation via Proportional Splitting
• Title（参考訳）: 部分分割による最適逆転位
• Authors: Lukas Aumayr, Zeta Avarikioti, Dimitris Karakostas, Karl Kreder, Shreekara Shastry,
• Abstract要約: 本稿では,PRS(Proportional Splitting, Proportional Splitting, Proportional Splitting, Proportional Splitting)と呼ばれる報酬配分機構を導入する。 理論的には、我々のプロトコルとPSSの組み合わせは平衡であり、FruitChainsと同様の公平性を保証する。
• 参考スコア（独自算出の注目度）: 4.258375398293221
• License:
• Abstract: Following the publication of Bitcoin's arguably most famous attack, selfish mining, various works have introduced mechanisms to enhance blockchain systems' game theoretic resilience. Some reward mechanisms, like FruitChains, have been shown to be equilibria in theory. However, their guarantees assume non-realistic parameters and their performance degrades significantly in a practical deployment setting. In this work we introduce a reward allocation mechanism, called Proportional Splitting (PRS), which outperforms existing state of the art. We show that, for large enough parameters, PRS is an equilibrium, offering the same theoretical guarantees as the state of the art. In addition, for practical, realistically small, parameters, PRS outperforms all existing reward mechanisms across an array of metrics. We implement PRS on top of a variant of PoEM, a Proof-of-Work (PoW) protocol that enables a more accurate estimation of each party's mining power compared to e.g., Bitcoin. We then evaluate PRS both theoretically and in practice. On the theoretical side, we show that our protocol combined with PRS is an equilibrium and guarantees fairness, similar to FruitChains. In practice, we compare PRS with an array of existing reward mechanisms and show that, assuming an accurate estimation of the mining power distribution, it outperforms them across various well-established metrics. Finally, we realize this assumption by approximating the power distribution via low-work objects called "workshares" and quantify the tradeoff between the approximation's accuracy and storage overhead.
• Abstract（参考訳）: Bitcoinの最も有名な攻撃、利己的なマイニングの公開に続いて、さまざまな研究がブロックチェーンシステムのゲーム理論のレジリエンスを強化するメカニズムを導入している。 FruitChainsのような報酬機構は理論上平衡であることが示されている。 しかし、その保証は非現実的なパラメータを前提としており、実際のデプロイメント環境ではパフォーマンスが著しく低下する。 本研究では,PRS(Proportional Splitting)と呼ばれる,既存の最先端技術よりも優れた報酬配分機構を導入する。 十分に大きなパラメータに対して、PSSは平衡であり、最先端技術と同じ理論的保証を提供することを示す。 さらに、現実的に小さなパラメータに対して、PSSは既存の報酬メカニズムを、メトリクスの配列で上回ります。 PRSは,POW(Proof-of-Work)プロトコルであるPoEM(Proof-of-Work)の派生版上に実装されており,各パーティのマイニングパワーを,例えばBitcoinと比較してより正確に推定することができる。 PRSを理論的にも実際的にも評価する。 理論的には、我々のプロトコルとPSSの組み合わせは平衡であり、FruitChainsと同様の公平性を保証する。 実際に、PSSと既存の報酬機構を比較し、マイニング電力分布の正確な推定を仮定すると、様々な確立された指標でそれらを上回っていることを示す。 最後に、この仮定は「ワークハレス」と呼ばれる低作業物体による電力分配を近似し、近似の精度と記憶オーバーヘッドのトレードオフを定量化する。

関連論文リスト

• Fully Automated Selfish Mining Analysis in Efficient Proof Systems Blockchains [5.864854777864723]
  私たちは、Bitcoinのような長鎖ブロックチェーンにおける自己中心的なマイニング攻撃について研究していますが、そこでは、作業の証明が効率的な証明システムに置き換えられます。 本稿では,敵の相対収益を最大化することを目的とした,新たな自尊心のあるマイニング攻撃を提案する。 本稿では,MDP の最適相対収益を$epsilon$-tight で計算する形式解析手法を提案する。
  論文  参考訳（メタデータ） (2024-05-07T15:44:39Z)
• Pairwise Ranking Losses of Click-Through Rates Prediction for Welfare Maximization in Ad Auctions [12.67468905841272]
  本稿では,クリックスルーレート(CTR)における損失関数の設計と,広告オークションにおける社会的福祉の最適化について検討する。 そこで本研究では,CTRモデルのトレーニングを行うために,新しい重み付きランクロスを提案する。 合成および実世界のデータにおける損失の利点を実証する。
  論文  参考訳（メタデータ） (2023-06-01T15:42:50Z)
• Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
  分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。 我々は,分布保証が消えることを示し,推定分布が急速に崩壊して平均推定値が崩壊することを実証的に観察する。 提案手法は,$L$の学習効率を生かして,返却分布の予測値と量子化値とを協調的に学習し,返却分布の完全な分布を推定し,効率的な学習を可能にするものである。
  論文  参考訳（メタデータ） (2023-05-26T12:30:05Z)
• Distributional Reward Estimation for Effective Multi-Agent Deep Reinforcement Learning [19.788336796981685]
  実効的マルチエージェント強化学習(DRE-MARL)のための分散逆推定フレームワークを提案する。 本研究の目的は,安定トレーニングのための多行動分岐報酬推定と政策重み付け報酬アグリゲーションを設計することである。 DRE-MARLの優位性は,有効性とロバスト性の両方の観点から,SOTAベースラインと比較して,ベンチマークマルチエージェントシナリオを用いて実証される。
  論文  参考訳（メタデータ） (2022-10-14T08:31:45Z)
• Provably Efficient Offline Reinforcement Learning with Trajectory-Wise Reward [66.81579829897392]
  我々はPessimistic vAlue iteRaTionとrEward Decomposition (PARTED)という新しいオフライン強化学習アルゴリズムを提案する。 PartEDは、最小2乗ベースの報酬再分配を通じて、ステップごとのプロキシ報酬に軌道を分解し、学習したプロキシ報酬に基づいて悲観的な値を実行する。 私たちの知る限りでは、PartEDは、トラジェクティブな報酬を持つ一般のMDPにおいて、証明可能な効率のよい最初のオフラインRLアルゴリズムである。
  論文  参考訳（メタデータ） (2022-06-13T19:11:22Z)
• On Scheduling Mechanisms Beyond the Worst Case [17.281501828240877]
  機構Kは各入力における機構Pよりも社会的コストが小さいことが分かる。 また、メカニズムPの平均ケース近似比は、同じ定数に収束する。
  論文  参考訳（メタデータ） (2022-04-14T20:57:50Z)
• Monotonic Improvement Guarantees under Non-stationarity for Decentralized PPO [66.5384483339413]
  我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。 本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-31T20:39:48Z)
• Top $K$ Ranking for Multi-Armed Bandit with Noisy Evaluations [102.32996053572144]
  我々は,各ラウンドの開始時に,学習者が各アームの真の報酬について,ノイズのない独立した評価を受けるマルチアームバンディット・セッティングを考える。 評価の方法によって異なるアルゴリズムアプローチと理論的保証を導出する。
  論文  参考訳（メタデータ） (2021-12-13T09:48:54Z)
• Permutation Compressors for Provably Faster Distributed Nonconvex Optimization [68.8204255655161]
  本稿では,Gorbunov et al (2021) の MARINA 法が,理論的な通信複雑性の観点から最先端の手法とみなすことができることを示す。 MARINAの理論は、古典的な独立圧縮機設定を超えて、潜在的にエミュレートされた圧縮機の理論を支持するものである。
  論文  参考訳（メタデータ） (2021-10-07T09:38:15Z)
• Forecasting Bitcoin closing price series using linear regression and neural networks models [4.17510581764131]
  データ価格と前日のボリュームを用いて、Bitcoinの日次閉鎖価格の予測方法について検討する。 統計的手法と機械学習アルゴリズムの両方を実装した。
  論文  参考訳（メタデータ） (2020-01-04T21:04:05Z)
• Generalization Guarantees for Multi-item Profit Maximization: Pricing, Auctions, and Randomized Mechanisms [86.81403511861788]
  購入者の価値に根ざした分布が存在する場合のマルチイテム利益について検討する。 購入者の値の任意のセットに対して、利益はメカニズムのパラメーターにおいて断片的に線形である。 我々は、まだサンプルベースのメカニズム設計文献にはないメカニズムクラスに対する新しい境界を証明した。
  論文  参考訳（メタデータ） (2017-04-29T22:02:14Z)

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。