論文の概要: From Validator Selection to Portfolio Collection Optimization in Proof-of-Stake Blockchains
- arxiv url: http://arxiv.org/abs/2606.08282v1
- Date: Sat, 06 Jun 2026 18:06:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.01603
- Title: From Validator Selection to Portfolio Collection Optimization in Proof-of-Stake Blockchains
- Title（参考訳）: 実証者選択からポートフォリオコレクション最適化へ
- Abstract要約: 我々は、nominatorと呼ばれるエージェントがバリデータを選択するブロックチェーン環境で発生する問題について考察する。
2つの目的を同時に最大化することで、この選択を最適化するための意思決定支援フレームワークを提案する。
得られた双目的最適化問題は、多目的進化アルゴリズムによって解決される。
- 参考スコア（独自算出の注目度）: 0.4893345190925178
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We consider a problem arising in proof-of-stake blockchain environments, where agents called nominators select validators - entities responsible for maintaining the blockchain's physical infrastructure. The selection process is inherently subjective and multi-criterial and combines with the fact that nominators commonly operate through multiple accounts. This gives rise to a portfolio selection problem, where agents seek to distribute their nominations across accounts to diversify risk. We propose a decision support framework to optimize this selection by simultaneously maximizing two objectives: the expected utility of the validators likely to be allocated, representing portfolio quality and profitability, and the expected entropy of the allocation, representing diversification and risk mitigation across stashes. Validator utilities are derived using an original active preference learning procedure based on multi-attribute value theory, with emphasis on top-ranked validators. The resulting bi-objective optimization problem is solved with a multi-objective evolutionary algorithm and, to support the final choice, we introduce an interactive binary search navigation procedure that guides the nominator through the front and identifies a satisfactory trade-off with only a few questions. Numerical experiments examine the optimization strategies, while an expert assessment involving five experienced nominators confirms the approach's practical relevance and usefulness.
- Abstract（参考訳）: ブロックチェーンの物理的なインフラストラクチャを維持するためのエンティティであるバリデータを選択する。
選択プロセスは本質的に主観的かつ多面的であり、名詞は複数のアカウントを通して操作されるという事実と組み合わせられる。
これはポートフォリオ選択の問題を引き起こし、エージェントはリスクを多様化するためにアカウントに候補者を分散させようとする。
この選択を最適化するための決定支援フレームワークの提案は、ポートフォリオの品質と収益性、および資産間の多様化とリスク軽減の2つの目的を同時に最大化することで、その選択を最適化するための決定支援フレームワークを提案する。
バリデータユーティリティは、トップランクのバリデータに重点を置き、マルチ属性値理論に基づく元のアクティブな選好学習手順を用いて導出される。
得られた双目的最適化問題は、多目的進化アルゴリズムを用いて解決され、最終選択を支援するために、前方からノミネータを誘導し、いくつかの質問で満足なトレードオフを識別する対話的二元探索ナビゲーション手順を導入する。
数値実験は最適化戦略を検証し、経験豊富な5人のノミネーターによる専門家による評価は、アプローチの実践的妥当性と有用性を確認する。
関連論文リスト
- Contrastive Branch Policy Optimization [16.16893757028268]
検証可能な報酬(RLVR)による強化学習は、言語モデルが外部ツールとのマルチターンインタラクションを学習することを可能にする。
既存の方法は、固定されたロールアウト予算を割り当て、分岐結果をトークンレベルのクレジットに変換する、という2つの異なる問題を分割する傾向があります。
本稿では,この2つの問題を解消し,それぞれに専用のメカニズムを割り当てる,コントラスト分岐政策最適化(CBPO)を紹介する。
論文 参考訳（メタデータ） (2026-08-25T09:25:55Z) - Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning [87.18590662029432]
本稿では,プロアクティブルーティングパラダイムであるPRPを提案する。このパラダイムは,ドラフトモデルとターゲットモデルの両方の能力を評価することで,早期意思決定を可能にする。
筆者らの試案であるレーティング学習 (DRL) は内部信頼度推定器を内蔵し, 共同レーティング学習 (JRL) は対象モデルが与えられたクエリをどの程度処理できるかを予測する。
これらの評価により、詳細なインスタンスレベルの textbfProactive Routing が可能になり、全体的なパフォーマンスを損なうことなく、推論を大幅に高速化できる。
論文 参考訳（メタデータ） (2026-06-29T12:30:24Z) - Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。
次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。
大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
論文 参考訳（メタデータ） (2026-06-20T07:52:46Z) - Decisive: Guiding User Decisions with Optimal Preference Elicitation from Unstructured Documents [3.7993411952027163]
本稿では,文書的推論とベイズ選好推論を組み合わせた対話型意思決定フレームワークDecisiveを提案する。
提案手法は,ソース文書から抽出した客観的な選択肢選好行列に基づいて決定を下し,対象の選好ベクトルを学習しながら,ユーザの嗜好ベクトルを積極的に学習する。
ユーザは、最終決定に対する情報ゲインを最大化するために、適応的に選択されたペアワイズトレードオフ質問に回答する。
論文 参考訳（メタデータ） (2026-04-20T11:42:51Z) - Debate to Align: Reliable Entity Alignment through Two-Stage Multi-Agent Debate [13.025981335381637]
我々はマルチエージェントの議論に基づく信頼できるEAフレームワークであるAgentEAを提案する。
AgentEAはエンティティ表現の優先順位最適化を通じて埋め込み品質を改善する。
次に、軽量な議論検証と深い議論アライメントからなる2段階のマルチロール討論機構を導入する。
論文 参考訳（メタデータ） (2026-04-15T06:54:27Z) - AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。
本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。
AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
論文 参考訳（メタデータ） (2026-04-14T13:49:19Z) - A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。
最適化に基づく最適化手法であるMERITを導入する。
MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
論文 参考訳（メタデータ） (2025-06-23T19:59:30Z) - Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。
RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。
本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-19T08:33:11Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making [3.3044728148521623]
本稿では,意思決定をマルチステークホルダー最適化問題として再編成する参加型フレームワークを提案する。
我々のモジュラー・モデルに依存しないフレームワークは、ユーザが提供する予測モデルを微調整するためにk-foldクロスバリデーションを採用している。
合成スコアリング機構は、複数のメトリクスにまたがってユーザ定義の嗜好を集約し、戦略をランク付けする。
論文 参考訳（メタデータ） (2025-02-12T16:27:40Z) - Scalarisation-based risk concepts for robust multi-objective optimisation [4.12484724941528]
この問題の多目的事例について検討する。
我々は、ロバストな多目的アルゴリズムの大多数が、ロバスト化とスカラー化という2つの重要な操作に依存していることを確認した。
これらの操作は必ずしも可換であるとは限らないので、それらが実行される順序は結果の解に影響を及ぼす。
論文 参考訳（メタデータ） (2024-05-16T16:11:00Z) - Online Decision Mediation [72.80902932543474]
意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。
臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
論文 参考訳（メタデータ） (2023-10-28T05:59:43Z)
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。