Hur kan vi i decentraliserade system välja ut deltagare på ett rättvist sätt samtidigt som vi optimerar för prestanda? Slumpmässigt urval, eller sortering, har länge använts för att säkerställa rättvisa och representation. Men många decentraliserade system idag, från inferensnätverk till orakel, är utformade med mätbara resultat i åtanke. När prestanda är ett huvudmål kanske en helt slumpmässig process inte tjänar nätverkets behov. I Merit-Based Sortition in Decentralized Systems introducerar en forskargrupp ledd av @AlloraLabsHQ forskningschef @Apollo11_Allora en ny metod som gör det möjligt att påverka urvalet av tidigare prestationer, utan att utesluta mindre aktiva eller nyare deltagare från framtida överväganden. Kärnmekanismen använder ett exponentiellt utjämnat kvalitetsmått för att rangordna deltagarna. Aktiva bidragsgivare väljs ut baserat på deras senaste resultat, medan inaktiva fortfarande övervägs för befordran genom att deras kvalitetsmått uppdateras med en percentilbaserad proxy som dras från den aktiva uppsättningen. Den här designen gör systemet flexibelt och inkluderande, men lyfter ändå upp högpresterande deltagare i den aktiva poolen. Genom en serie numeriska experiment visar studien att denna metod leder till en tydlig och statistiskt signifikant förbättring av kvaliteten på den aktiva mängden jämfört med slumpmässig sortering. Den optimala balansen uppstår när poängen för inaktiva deltagare uppdateras med hjälp av den 25:e percentilen av de aktiva deltagarnas poäng (vilket gör att de nedre 25 % av de aktiva deltagarna riskerar att bli inaktiva), men systemet förblir justerbart för att passa olika nätverksdesigner och nivåer av deltagarbortfall. För system som måste samordna decentraliserad intelligens, anpassa sig till förändrade förhållanden och upprätthålla rättvisa utan att offra effektivitet, erbjuder detta arbete en praktisk, välgrundad och allmänt tillämplig lösning. Läs hela studien: