L'apprentissage renforcé pour la sécurité de l'économie des jetons : méthode de recherche innovante sur la courbe de liaison
Cet article présentera une proposition innovante qui a obtenu un financement du Token Engineering Commons au printemps 2024. Cette proposition vise à utiliser l'apprentissage par renforcement et les techniques de modélisation et de simulation basées sur des agents pour optimiser le mécanisme de la courbe de liaison dans l'écosystème des jetons.
Contexte et objectifs du projet
La courbe de liaison, en tant que composant central de l'écosystème des jetons, joue un rôle clé dans le contrôle des fluctuations de prix, la fourniture de liquidité et l'ajustement dynamique de l'offre. Ce projet s'inspire de l'idée précoce d'utiliser des agents AI pour l'optimisation des mécanismes et intègre les résultats de recherche récents du BCRG (Bonding Curve Research Group).
L'équipe du projet prévoit d'explorer les stratégies malveillantes potentielles sous différentes combinaisons de courbes de liaison PAMM et SAMM à l'aide d'un agent AI entraîné par apprentissage renforcé. En analysant et en comparant, ainsi qu'en explorant l'espace de comportement, l'objectif est de trouver des combinaisons de paramètres stables et de haute qualité, d'optimiser continuellement la conception du mécanisme du protocole, de réduire l'écart entre le comportement attendu et le comportement réel, et de diminuer les risques économiques de sécurité du jeton.
Méthodes de recherche
La recherche se concentrera sur quatre types courants de courbes de liaison PAMM (linéaire, exponentielle, fonction puissance et sigmoïde) ainsi que sur deux types de courbes de liaison SAMM (produit constant et hybride), formant ainsi un total de 8 combinaisons. L'équipe utilisera des méthodes de modélisation et de simulation basées sur des agents pour mener des expériences, en utilisant des agents IA pour explorer l'ensemble des stratégies malveillantes potentielles de chaque combinaison et leur probabilité d'occurrence, et présentera les résultats de simulation pour illustrer l'impact de ces stratégies sur le système.
Points innovants et objectifs
Introduire l'apprentissage par renforcement dans l'ingénierie des jetons, formant une méthode d'optimisation des mécanismes de protocole basée sur des agents IA.
Proposer des méthodes universelles, applicables et réutilisables, qui devraient améliorer la sécurité économique de l'ensemble de l'écosystème des jetons.
Utiliser la plateforme Holobit pour rendre le modèle plus facile à comprendre, à utiliser et à vérifier.
Les objectifs à court terme comprennent l'exploration des stratégies malveillantes potentielles, la fourniture de méthodes de recherche scientifiquement rigoureuses, ainsi que des recommandations pour améliorer la sécurité économique du point de vue de la courbe de liaison. L'objectif à long terme est de promouvoir l'ingénierie des jetons, afin que davantage de personnes puissent participer à la construction de l'écosystème des jetons.
Résultats attendus
Un modèle de simulation de chaîne économique de jeton introduisant un agent IA, comprenant 8 types de schémas expérimentaux combinant PAMM et SAMM.
Un rapport de recherche sur les stratégies potentielles d'attaque malveillante sous différentes combinaisons de courbes de liaison basées sur l'exploration par agent IA.
Valeur du projet
Ce projet contribue non seulement à améliorer la sécurité du système de jetons, mais aussi à promouvoir la vulgarisation et la pratique de l'ingénierie des jetons. Grâce à des modèles et des processus expérimentaux transparents, le projet vise à permettre à un plus grand nombre de personnes de comprendre et de participer à ce domaine de pointe, contribuant ainsi à la construction d'un écosystème de jetons plus sûr et durable.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
10 J'aime
Récompense
10
9
Reposter
Partager
Commentaire
0/400
RektButSmiling
· 08-13 20:58
ai Se faire prendre pour des cons a des théories qui le soutiennent
Voir l'originalRépondre0
StableGeniusDegen
· 08-12 22:12
Encore un coup pour se faire prendre pour des cons
Voir l'originalRépondre0
GweiWatcher
· 08-11 13:30
Encore en train de spéculer sur le concept d'IA ?
Voir l'originalRépondre0
DaoResearcher
· 08-11 00:18
D'un point de vue du modèle économique, il appartient à la ligne orthodoxe, voir arxiv 2205.1138
Voir l'originalRépondre0
OffchainWinner
· 08-11 00:15
Encore ces trucs sophistiqués
Voir l'originalRépondre0
MemeCurator
· 08-11 00:07
Ah, pourquoi ça recommence à parler d'IA ?
Voir l'originalRépondre0
TxFailed
· 08-11 00:05
alerte cas limite : agents IA simulant des bonding curves... que pourrait-il bien se passer mdr
Sécurité de l'économie des jetons pilotée par l'IA : optimisation de la courbe de liaison par l'apprentissage renforcé
L'apprentissage renforcé pour la sécurité de l'économie des jetons : méthode de recherche innovante sur la courbe de liaison
Cet article présentera une proposition innovante qui a obtenu un financement du Token Engineering Commons au printemps 2024. Cette proposition vise à utiliser l'apprentissage par renforcement et les techniques de modélisation et de simulation basées sur des agents pour optimiser le mécanisme de la courbe de liaison dans l'écosystème des jetons.
Contexte et objectifs du projet
La courbe de liaison, en tant que composant central de l'écosystème des jetons, joue un rôle clé dans le contrôle des fluctuations de prix, la fourniture de liquidité et l'ajustement dynamique de l'offre. Ce projet s'inspire de l'idée précoce d'utiliser des agents AI pour l'optimisation des mécanismes et intègre les résultats de recherche récents du BCRG (Bonding Curve Research Group).
L'équipe du projet prévoit d'explorer les stratégies malveillantes potentielles sous différentes combinaisons de courbes de liaison PAMM et SAMM à l'aide d'un agent AI entraîné par apprentissage renforcé. En analysant et en comparant, ainsi qu'en explorant l'espace de comportement, l'objectif est de trouver des combinaisons de paramètres stables et de haute qualité, d'optimiser continuellement la conception du mécanisme du protocole, de réduire l'écart entre le comportement attendu et le comportement réel, et de diminuer les risques économiques de sécurité du jeton.
Méthodes de recherche
La recherche se concentrera sur quatre types courants de courbes de liaison PAMM (linéaire, exponentielle, fonction puissance et sigmoïde) ainsi que sur deux types de courbes de liaison SAMM (produit constant et hybride), formant ainsi un total de 8 combinaisons. L'équipe utilisera des méthodes de modélisation et de simulation basées sur des agents pour mener des expériences, en utilisant des agents IA pour explorer l'ensemble des stratégies malveillantes potentielles de chaque combinaison et leur probabilité d'occurrence, et présentera les résultats de simulation pour illustrer l'impact de ces stratégies sur le système.
Points innovants et objectifs
Les objectifs à court terme comprennent l'exploration des stratégies malveillantes potentielles, la fourniture de méthodes de recherche scientifiquement rigoureuses, ainsi que des recommandations pour améliorer la sécurité économique du point de vue de la courbe de liaison. L'objectif à long terme est de promouvoir l'ingénierie des jetons, afin que davantage de personnes puissent participer à la construction de l'écosystème des jetons.
Résultats attendus
Valeur du projet
Ce projet contribue non seulement à améliorer la sécurité du système de jetons, mais aussi à promouvoir la vulgarisation et la pratique de l'ingénierie des jetons. Grâce à des modèles et des processus expérimentaux transparents, le projet vise à permettre à un plus grand nombre de personnes de comprendre et de participer à ce domaine de pointe, contribuant ainsi à la construction d'un écosystème de jetons plus sûr et durable.