Warstwy sieci Allora Network cz. 3 z 4 “Zgoda” (Consensus). A) Nagrody Pracowników (Workers) i B) Reputerów.

Zgoda

Sieć Allora jest zbudowana jako łańcuch hubów na Cosmos. Walidatory sieciowe weryfikują łańcuch (standardowa definicja).

Konsumenci płacą opłaty w natywnym tokenie sieciowym, które są rozprowadzane po stronie podaży w zamian za wnioski. CometBFT Proof of Stake.

Zróżnicowane zachęty

Każdy uczestnik sieci ma inny mechanizm nagradzania, który ma motywować rozwój i bezpieczeństwo sieci.

• Pracownicy (workers) są nagradzani na podstawie jakości swoich wniosków
• Reputerzy są nagradzani na podstawie dokładności swoich ocen i udziału w sieci
• Walidatorzy sieci są wynagradzani wyłącznie na podstawie ich udziału w sieci
• CometBFT (otwiera się w nowej karcie)
• Delegowany dowód udziału

W przypadku pracowników i ekspertów (reputerów) wyjaśnimy, w jaki sposób obliczane są nagrody dla łącznej liczby aktorów w ramach każdego pojedynczego uczestnika, w jaki sposób nagrody za tematy są rozdzielane między uczestników i wreszcie w jaki sposób łączne nagrody są dzielone między walidatorów i tematy.

Konsensus: Pracownicy

Pracownicy są specjalnie nagradzani na podstawie ich wyjątkowego wkładu w syntezę wniosków sieciowych dostarczanych konsumentowi przez sieć Allora.

• Pracownicy wnioskowania są oceniani za pomocą wnioskowania jednokrotnego
• Pracownicy prognozujący są oceniani przy użyciu zarówno metody jeden-na-zewnątrz (one-out), jak i jeden-wewnątrz (one-in).

Wyniki służą do obliczania nagród.

Pracownicy wnioskowania

Wnioskowanie jednorazowe : ocena wpływu wniosku poprzez usunięcie wniosku jednego pracownika i sprawdzenie, o ile wzrośnie strata.

Wynik wydajności Tij​​ dla pracownika wnioskowania j oblicza się jako różnicę logarytmu strat z wnioskowaniem pracownika i bez niego. Jeśli usunięcie wkładu pracownika zwiększa stratę, jego wynik wydajności jest dodatni, co wskazuje na wartościowy wkład.

​

Pracownicy prognozy

Dlaczego wnioski typu „one-out” nie są wystarczające

W zadaniach prognozowania wielu pracowników często wnosi podobne informacje. Oznacza to, że mogą się nawzajem wspierać. Jeśli brakuje jednego pracownika, pozostali nadal mogą utrzymać podobny poziom wydajności, ponieważ dostarczają nakładających się informacji.

Gdy usuniesz jednego pracownika, aby zobaczyć jego wpływ ( wniosek one-out ), ogólna wydajność może się nie zmienić zbytnio, ponieważ pozostali pracownicy mogą zastąpić brakującego. Utrudnia to zobaczenie prawdziwej wartości wkładu usuniętego pracownika.

Dlaczego potrzebne są wnioski typu „one-in”

Aby lepiej zrozumieć unikalny wkład każdego pracownika prognozującego, musisz również zobaczyć, co się dzieje, gdy konkretnie uwzględnisz jego pracę ( wnioskowanie jednokrotne ). Dodając wnioskowanie prognostyczne pracownika do grupy bez żadnych wnioskowań prognostycznych i mierząc zmianę, możesz zobaczyć, jak bardzo pomagają oni sami.

Łączenie obu

Aby uczciwie zmierzyć wkład każdego pracownika prognozującego, łączymy wyniki one-out i one-in. Ten połączony wynik daje zrównoważony obraz tego, jak usuwanie lub dodawanie każdego pracownika prognozującego wpływa na dokładność przewidywania.

• f + jest współczynnikiem ważenia, który dostosowuje ważność wyniku jeden-z.

Konsensus: Reputerzy

Reputerzy są nagradzani na podstawie ich dokładności w stosunku do konsensusu (utworzonego przez wszystkich reputatorów dostarczających dane na dany temat) oraz stawki (stake), z dodatkową funkcjonalnością zapobiegającą centralizacji nagród spowodowanej przez reputerów z większymi stawkami.

Problem: Niekontrolowana centralizacja

1. Średnia ważona stawką:

• Reputatorzy to aktorzy, którzy informują o tym, na ile pewne przewidywania i wnioski są trafne w porównaniu z prawdą.
• Zwykle moglibyśmy uśrednić dokładność (lub „straty”), które raportują, ale większą wagę przywiązujemy do graczy o większych stawkach (większej reputacji).
• Oznacza to, że osoby z większym udziałem mają większy wpływ na konsensus (prawdę, co do której się zgodzą).

2. Efekt ucieczki:

• Problem polega na tym, że gracze z wyższymi stawkami będą bliżej konsensusu, na który będą mieli większy wpływ i otrzymają więcej nagród, co jeszcze bardziej zwiększy ich stawki.
• Tworzy to cykl, w którym bogaci stają się bogatsi, co prowadzi do centralizacji. Kilku reputerów kończy kontrolując większość wpływów i nagród, co jest niesprawiedliwe i niezdrowe dla systemu.

Rozwiązanie: Dostosowana stawka

1. Dostosowana stawka:

• Aby zapobiec niekontrolowanej centralizacji, podczas ustalania konsensusu dostosowujemy wagę udziału każdego z reputerów.
• Zamiast stosować pełną stawkę do ważenia, używamy wersji dostosowanej, która nie pozwala żadnemu serwisowi dominować.

2. Jak to działa:

• Wzór na dostosowaną stawkę zapewnia, że ​​jeśli stawka danego podmiotu przekroczy pewien poziom, jego udział w obliczeniach konsensusu nie będzie już podwyższany.
• Wyrównuje szanse, więc gracze z mniejszymi stawkami wciąż mają pewien wpływ.

Gdzie:

• Nr jest liczbą reputerów.
• aim ​jest współczynnikiem słuchania, który jest miarą tego, w jakim stopniu sieć bierze pod uwagę dane wejściowe każdego przedstawiciela, i jest optymalizowany w celu maksymalizacji konsensusu wśród przedstawicieli.
• Sim jest pierwotną stawką.

Część dalsza (4) nastąpi wkrótce. Opowiemy w niej o nagrodach za Temat (Topic Rewards) oraz Całkowitych nagrodach (Total Rewards).