In dezentralen Systemen, wie können wir Teilnehmer fair auswählen und gleichzeitig die Leistung optimieren? Zufällige Auswahl oder Losverfahren werden seit langem verwendet, um Fairness und Repräsentation zu gewährleisten. Viele dezentrale Systeme heute, von Inferenznetzwerken bis hin zu Orakeln, sind jedoch mit messbaren Ergebnissen im Hinterkopf konzipiert. Wenn Leistung ein zentrales Ziel ist, könnte ein rein zufälliger Prozess den Bedürfnissen des Netzwerks nicht gerecht werden. In "Merit-Based Sortition in Decentralized Systems" stellt ein Forschungsteam unter der Leitung von @AlloraLabsHQ' Forschungsleiter @Apollo11_Allora eine neue Methode vor, die es ermöglicht, die Auswahl durch frühere Leistungen zu beeinflussen, ohne weniger aktive oder neuere Teilnehmer von zukünftigen Überlegungen auszuschließen. Der Kernmechanismus verwendet eine exponentiell geglättete Qualitätsmetrik, um Teilnehmer zu bewerten. Aktive Mitwirkende werden basierend auf ihrer aktuellen Leistung ausgewählt, während inaktive Teilnehmer weiterhin für eine Beförderung in Betracht gezogen werden, indem ihre Qualitätsmetriken mit einem auf dem aktiven Set basierenden Perzentil-Proxy aktualisiert werden. Dieses Design hält das System flexibel und inklusiv, hebt jedoch konsequent leistungsstärkere Teilnehmer in den aktiven Pool. Durch eine Reihe von numerischen Experimenten zeigt die Studie, dass diese Methode zu einer klaren und statistisch signifikanten Verbesserung der Qualität des aktiven Sets im Vergleich zur zufälligen Losziehung führt. Das optimale Gleichgewicht tritt auf, wenn die Punktzahlen inaktiver Teilnehmer unter Verwendung des 25. Perzentils der Punktzahlen aktiver Teilnehmer aktualisiert werden (was die unteren 25 % der aktiven Teilnehmer dem Risiko aussetzt, inaktiv zu werden), aber das System bleibt anpassbar, um verschiedenen Netzwerkdesigns und Teilnehmerfluktuationen gerecht zu werden. Für Systeme, die dezentrale Intelligenz koordinieren, sich an veränderte Bedingungen anpassen und Fairness aufrechterhalten müssen, ohne die Effektivität zu opfern, bietet diese Arbeit eine praktische, gut fundierte und allgemein anwendbare Lösung. Lesen Sie die vollständige Studie: