分散型システムでは、パフォーマンスを最適化しながら参加者を公平に選択するにはどうすればよいでしょうか? ランダム選択、つまりソートは、公平性と代表性を確保するために長い間使用されてきました。ただし、推論ネットワークからオラクルに至るまで、今日の多くの分散型システムは、測定可能な結果を念頭に置いて設計されています。パフォーマンスが中心的な目的である場合、純粋にランダムなプロセスではネットワークのニーズを満たさない可能性があります。 分散型システムにおけるメリットベースのソートでは、@AlloraLabsHQの研究責任者である研究チームが率いる研究チーム@Apollo11_Allora、活動性の低い参加者や新しい参加者を将来の検討から除外することなく、選択を以前のパフォーマンスの影響を受けることができる新しい方法を紹介しています。 コアメカニズムは、指数関数的に平滑化された品質指標を使用して参加者をランク付けします。アクティブな貢献者は最近のパフォーマンスに基づいて選択されますが、非アクティブな貢献者は、アクティブなセットから抽出されたパーセンタイルベースのプロキシで品質指標を更新することにより、昇格の対象となります。この設計により、システムの柔軟性と包括性が保たれますが、パフォーマンスの高い参加者をアクティブプールに一貫して昇格させます。 一連の数値実験を通じて、この研究は、この方法がランダムソートと比較してアクティブセットの品質に明確かつ統計的に有意な改善をもたらすことを示しています。最適なバランスは、非アクティブな参加者のスコアがアクティブな参加者のスコアの 25 パーセンタイルを使用して更新されるときに発生します (アクティブな参加者の下位 25% は非アクティブになるリスクにさらされます)、システムはさまざまなネットワーク設計や参加者の解約レベルに合わせて調整可能なままです。 分散型インテリジェンスを調整し、変化する状況に適応し、有効性を犠牲にすることなく公平性を維持する必要があるシステムにとって、この研究は実用的で根拠があり、一般的に適用可能なソリューションを提供します。 調査全文を読む: