論文の概要: Power Adjusting Games Under Block-Dependent Pool Payout Schemes
- arxiv url: http://arxiv.org/abs/2610.40558v1
- Date: Thu, 29 Oct 2026 17:40:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 06:44:30.87772
- Title: Power Adjusting Games Under Block-Dependent Pool Payout Schemes
- Title（参考訳）: ブロック依存プール支払い方式によるパワー調整ゲーム
- Abstract要約: FAWとPAWを特殊なケースとして含むT-PAWを,実際に展開されるブロック依存支払方式に基づいて解析する。
PPLNS の更新議論と PROP および EXP のオープンラウンドの定常搬送プロセスにより,収益率を解析的に導出する。
我々は, GRP が T-PAW の利得をスキーム依存の方向に誤算し, PROP の利得を桁違いに上書きし, EXP の利得を元のスラッシュ崩壊率で下書きすることを示した。
- 参考スコア（独自算出の注目度）: 45.776687601070705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced power adjusting block withholding attacks such as PAW and T-PAW have been analyzed so far under a global-reset version of the proportional scheme (GRP), which is rarely used in practice. In this paper, we analyze T-PAW, which contains FAW and PAW as special cases, under the block-dependent payout schemes deployed in practice: Pay-Per-Last-N-Shares (PPLNS), round-based Proportional (PROP) and exponential-decay (EXP). We derive the revenue ratios analytically, by renewal arguments for PPLNS and through the stationary carry process of an open round for PROP and EXP. We further introduce Power Adjusting Hopping (PAH), where an adversary of any size adjusts its power allocation towards the pool according to the blockwork age of the round without withholding any block, and derive its revenue ratios under PROP and EXP. We show that GRP misestimates the T-PAW gain in a scheme-dependent direction: it overstates the gain under PROP up to an order of magnitude and understates it under EXP for the original slush decay rate. PROP is highly vulnerable to PAH, while EXP faces a trade-off: a slow decay invites PAH and a fast decay invites T-PAW. PPLNS is the least vulnerable scheme: it is immune to PAH and it mitigates, but does not eliminate, T-PAW. All analytical results are verified by Monte Carlo simulations.
- Abstract（参考訳）: PAWやT-PAWのような攻撃を抑える高度な電力調整ブロックは、実際にはほとんど使われないGRPのグローバルリセットバージョンで分析されている。
本稿では, FAW と PAW を特殊なケースとして含む T-PAW を, 実際に展開されているブロック依存型ペイアウトスキームである Pay-Per-Last-N-Shares (PPLNS), round-based Proportional (PROP) と指数デカイ (EXP) を用いて解析する。
PPLNS の更新議論と PROP および EXP のオープンラウンドの定常搬送プロセスにより,収益率を解析的に導出する。
さらに、任意のサイズの敵が、ブロックを保たずにラウンドのブロック作業年齢に応じてプールへの電力割り当てを調整し、PROPおよびEXPによる収益率を導出する、電力調整ホッピング(PAH)についても紹介する。
我々は, GRP が T-PAW の利得をスキーム依存の方向に誤算し, PROP の利得を桁違いに上書きし, EXP の利得を元のスラッシュ崩壊率で下書きすることを示した。
PROPはPAHに対して非常に脆弱であり、EXPはトレードオフに直面し、緩やかな崩壊はPAHを、速い崩壊はT-PAWを、それぞれ招待する。
PPLNSは、PAHに免疫しており、緩和するが、T-PAWを除去しない、最も脆弱なスキームである。
全ての解析結果はモンテカルロシミュレーションによって検証される。
関連論文リスト
- Bridging Exploration and Loss of Plasticity in On-Policy Reinforcement Learning [1.8315988392353102]
深い強化学習アルゴリズムが新しいデータから適応的に学習する能力を失うと、プラスチックの損失(LoP)が観測される。
我々は、RL内の多くの連続作用空間に対する最先端の定式化である等方的ガウスポリシーを用いて、近似ポリシー最適化におけるLoPを解析する。
我々は、LoPの範囲に$$の有意な効果を観測し、理論的および実験的支持論の両方に付随する。
論文 参考訳（メタデータ） (2026-10-26T21:32:11Z) - EasyPPO: Stabilizing the Critic Is Key [57.76826550536797]
PPO(Proximal Policy Optimization)の主な強みは、その学習的批判である。
批判は、大規模言語モデルの強化学習における不安定性の主要な原因でもある。
EasyPPOはフルトレーニングの地平線を通して安定しており、バニラPPO、VAPO、HL-GaussPPOより一貫して優れている。
論文 参考訳（メタデータ） (2026-09-29T06:15:00Z) - All-out Attack: Optimal Block Withholding Under Pay-Per-Share Scheme [45.776687601070705]
中本型ブロックチェーンに対するPay-Per-ShareおよびFull-PPSスキームによるBlock Withholding攻撃の解析を行う。
PPS/FPPSでは、BWH攻撃者にとって最適な戦略はオールアウト攻撃(AoA)である。
Fork After Withholding (FAW) のような先進的なBWH派生型はPS/FPPSの下で追加の利益を得ない。
論文 参考訳（メタデータ） (2026-07-01T17:46:37Z) - SPPO: Sequence-Level PPO for Long-Horizon Reasoning Tasks [41.49967840381499]
Sequence-Level PPO (SPPO) は、PPOのサンプルテキスト効率と結果ベースの更新の安定性を調和させるスケーラブルなアルゴリズムである。
SPPOは標準のPPOをはるかに上回り、計算量の多いグループベースの手法の性能に匹敵する。
論文 参考訳（メタデータ） (2026-04-10T01:58:21Z) - Learning from the Right Rollouts: Data Attribution for PPO-based LLM Post-Training [25.736034135647554]
我々は、データ属性をRL後学習ループに統合する新しいフレームワークである textbfInfluence-Guided PPO (I-PPO) を提案する。
I-PPOはSFTとPPOのベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-04-02T04:09:31Z) - Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。
本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。
刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
論文 参考訳（メタデータ） (2026-03-04T14:48:53Z) - Rethinking the Trust Region in LLM Reinforcement Learning [72.25890308541334]
PPO(Proximal Policy Optimization)は、大規模言語モデル(LLM)のデファクト標準アルゴリズムとして機能する。
より原則的な制約でクリッピングを代用する多変量確率ポリシー最適化(DPPO)を提案する。
DPPOは既存の方法よりも優れたトレーニングと効率を実現し、RLベースの微調整のためのより堅牢な基盤を提供する。
論文 参考訳（メタデータ） (2026-02-04T18:59:04Z) - A Minimalist Approach to LLM Reasoning: from Rejection Sampling to Reinforce [68.99924691391048]
我々はGRPOを強化的なアルゴリズムの観点から再検討し、そのコアコンポーネントを分析する。
単純な拒絶サンプリングベースラインであるRAFTは,GRPOやPPOよりも競争性能が高いことがわかった。
この知見に触発されて、完全に正しくないサンプルと完全に正しいサンプルの両方をフィルタリングするポリシー勾配の最小限の拡張であるReinforce-Rejを提案する。
論文 参考訳（メタデータ） (2025-04-15T16:15:02Z) - What's Behind PPO's Collapse in Long-CoT? Value Optimization Holds the Secret [3.410112345043215]
これらの問題に対処するために,VC-PPO(Value-Calibrated PPO)を提案する。
The American Invitational Mathematics Examination (AIME) の実験は、VC-PPOがPPOのパフォーマンスを著しく向上させることを示している。
論文 参考訳（メタデータ） (2025-03-03T12:59:25Z)
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。