Miten voimme valita osallistujat oikeudenmukaisesti hajautetuissa järjestelmissä ja optimoida suorituskykyä? Satunnaista valintaa tai lajittelua on pitkään käytetty oikeudenmukaisuuden ja edustuksen varmistamiseksi. Nykyään monet hajautetut järjestelmät päättelyverkoista oraakkeleihin on kuitenkin suunniteltu mitattavissa olevia tuloksia ajatellen. Kun suorituskyky on keskeinen tavoite, puhtaasti satunnainen prosessi ei välttämättä palvele verkon tarpeita. Merit-Based Sortition in Decentralized Systems -tutkimuksessa @AlloraLabsHQ tutkimuspäällikön johtama tutkimusryhmä esittelee @Apollo11_Allora uuden menetelmän, jonka avulla aiempi suorituskyky voi vaikuttaa valintaan sulkematta vähemmän aktiivisia tai uudempia osallistujia tulevasta harkinnasta. Ydinmekanismi käyttää eksponentiaalisesti tasoitettua laatumittaria osallistujien luokitteluun. Aktiiviset osallistujat valitaan heidän viimeaikaisen suorituksensa perusteella, kun taas passiiviset osallistujat otetaan edelleen huomioon ylennyksen kohteena päivittämällä laatumittarinsa prosenttipistepohjaisella välityspalvelimella, joka on poimittu aktiivisesta joukosta. Tämä rakenne pitää järjestelmän joustavana ja osallistavana, mutta nostaa jatkuvasti tehokkaammat osallistujat aktiiviseen pooliin. Numeeristen kokeiden avulla tutkimus osoittaa, että tämä menetelmä johtaa selkeään ja tilastollisesti merkitsevään parannukseen aktiivisen joukon laadussa verrattuna satunnaiseen lajitteluun. Optimaalinen tasapaino syntyy, kun passiivisten osallistujien pisteet päivitetään käyttämällä aktiivisten osallistujien pisteiden 25. prosenttipistettä (jolloin aktiivisten osallistujien alin 25 % on vaarassa jäädä passiivisiksi), mutta järjestelmä pysyy viritettävänä sopimaan erilaisiin verkkomalleihin ja osallistujien vaihtuvuuden tasoihin. Järjestelmille, joiden on koordinoitava hajautettua älykkyyttä, sopeuduttava muuttuviin olosuhteisiin ja ylläpidettävä oikeudenmukaisuutta tehokkuudesta tinkimättä, tämä työ tarjoaa käytännöllisen, perustellun ja yleisesti sovellettavan ratkaisun. Lue koko tutkimus: