I desentraliserte systemer, hvordan kan vi rettferdig velge deltakere samtidig som vi optimaliserer for ytelse? Tilfeldig utvalg, eller sortering, har lenge vært brukt for å sikre rettferdighet og representasjon. Imidlertid er mange desentraliserte systemer i dag, fra slutningsnettverk til orakler, designet med målbare resultater i tankene. Når ytelse er et kjernemål, kan det hende at en rent tilfeldig prosess ikke tjener nettverkets behov. I Merit-Based Sortition in Decentralized Systems introduserer et forskerteam ledet av @AlloraLabsHQ' forskningssjef @Apollo11_Allora en ny metode som gjør det mulig å påvirke seleksjonen av tidligere prestasjoner, uten å ekskludere mindre aktive eller nyere deltakere fra fremtidig vurdering. Kjernemekanismen bruker en eksponentielt utjevnet kvalitetsberegning for å rangere deltakere. Aktive bidragsytere velges basert på deres nylige prestasjoner, mens inaktive fortsatt vurderes for forfremmelse ved å oppdatere kvalitetsmålingene deres med en persentilbasert proxy hentet fra det aktive settet. Denne designen holder systemet fleksibelt og inkluderende, men løfter konsekvent deltakere med høyere ytelse inn i det aktive bassenget. Gjennom en rekke numeriske eksperimenter viser studien at denne metoden fører til en klar og statistisk signifikant forbedring i kvaliteten på det aktive settet sammenlignet med tilfeldig sortering. Den optimale balansen oppstår når poengsummene til inaktive deltakere oppdateres ved hjelp av 25-prosentilen av de aktive deltakernes poengsum (noe som setter de nederste 25 % av de aktive deltakerne i fare for å bli inaktive), men systemet forblir justerbart for å passe til ulike nettverksdesign og nivåer av deltakerfrafall. For systemer som må koordinere desentralisert intelligens, tilpasse seg endrede forhold og opprettholde rettferdighet uten å ofre effektivitet, tilbyr dette arbeidet en praktisk, velbegrunnet og allment anvendelig løsning. Les hele studien: