W systemach zdecentralizowanych, jak możemy sprawiedliwie wybierać uczestników, jednocześnie optymalizując wydajność? Losowy wybór, czyli sortycja, od dawna jest stosowany, aby zapewnić sprawiedliwość i reprezentację. Jednak wiele dzisiejszych systemów zdecentralizowanych, od sieci inferencyjnych po oracle, jest projektowanych z myślą o mierzalnych wynikach. Gdy wydajność jest kluczowym celem, czysto losowy proces może nie spełniać potrzeb sieci. W badaniu "Sortycja oparta na zasługach w systemach zdecentralizowanych", zespół badawczy kierowany przez szefa badań @AlloraLabsHQ, @Apollo11_Allora, wprowadza nową metodę, która pozwala na wpływanie na wybór na podstawie wcześniejszej wydajności, nie wykluczając mniej aktywnych lub nowych uczestników z przyszłych rozważań. Podstawowy mechanizm wykorzystuje eksponencjalnie wygładzoną metrykę jakości do klasyfikacji uczestników. Aktywni współpracownicy są wybierani na podstawie ich ostatnich wyników, podczas gdy nieaktywni są nadal brani pod uwagę do awansu poprzez aktualizację ich metryk jakości za pomocą proxy opartego na percentylach, wyciągniętego z aktywnego zbioru. Ten projekt utrzymuje system elastycznym i inkluzywnym, a jednocześnie konsekwentnie podnosi uczestników o wyższej wydajności do aktywnej puli. Poprzez szereg eksperymentów numerycznych, badanie pokazuje, że ta metoda prowadzi do wyraźnej i statystycznie istotnej poprawy jakości aktywnego zbioru w porównaniu do losowej sortycji. Optymalna równowaga występuje, gdy wyniki nieaktywnych uczestników są aktualizowane przy użyciu 25. percentyla wyników aktywnych uczestników (stawiając w ryzyko dolne 25% aktywnych uczestników, aby stać się nieaktywnymi), ale system pozostaje dostosowywalny do różnych projektów sieciowych i poziomów rotacji uczestników. Dla systemów, które muszą koordynować zdecentralizowaną inteligencję, dostosowywać się do zmieniających się warunków i utrzymywać sprawiedliwość bez poświęcania efektywności, ta praca oferuje praktyczne, dobrze uzasadnione i ogólnie stosowalne rozwiązanie. Przeczytaj pełne badanie: