Jak můžeme v decentralizovaných systémech spravedlivě vybírat účastníky a zároveň optimalizovat výkon? Náhodný výběr neboli losování se již dlouho používá k zajištění spravedlnosti a zastoupení. Mnoho dnešních decentralizovaných systémů, od inferenčních sítí po orákula, je však navrženo s ohledem na měřitelné výsledky. Pokud je výkon hlavním cílem, čistě náhodný proces nemusí sloužit potřebám sítě. V knize Merit-Based Losition in Decentralized Systems představuje výzkumný tým vedený vedoucím výzkumného @Apollo11_Allora společnosti @AlloraLabsHQ novou metodu, která umožňuje ovlivnit výběr na základě předchozího výkonu, aniž by byli z budoucích úvah vyloučeni méně aktivní nebo novější účastníci. Základní mechanismus používá k hodnocení účastníků exponenciálně vyhlazenou metriku kvality. Aktivní přispěvatelé jsou vybíráni na základě svého nedávného výkonu, zatímco neaktivní přispěvatelé jsou stále zvažováni pro povýšení aktualizací svých metrik kvality pomocí zástupného ukazatele založeného na percentilu vybraného z aktivní sady. Tato konstrukce udržuje systém flexibilní a inkluzivní, přesto konzistentně povyšuje účastníky s vyšším výkonem do aktivní skupiny. Prostřednictvím řady numerických experimentů studie ukazuje, že tato metoda vede k jasnému a statisticky významnému zlepšení kvality aktivního souboru ve srovnání s náhodným losováním. Optimální rovnováha nastane, když jsou skóre neaktivních účastníků aktualizována pomocí 25. percentilu skóre aktivních účastníků (což vystavuje spodních 25 % aktivních účastníků riziku, že se stanou neaktivními), ale systém zůstává laditelný tak, aby vyhovoval různým návrhům sítě a úrovním odchodu účastníků. Pro systémy, které musí koordinovat decentralizovanou inteligenci, přizpůsobovat se měnícím se podmínkám a prosazovat spravedlnost, aniž by byla obětována efektivita, nabízí tato práce praktické, fundované a obecně použitelné řešení. Přečtěte si celou studii: