新型在线社区：在匿名投票网络上进行图深度学习以识别多中心治理中的女巫身份
机器学习
2024-04-09 v7 系统与控制
系统与控制
摘要
本研究考察了基于区块链的去中心化自治组织（DAO）中数字资产的多中心治理。它提供了一个理论框架，并通过开发一种识别女巫（Sybil）或虚假身份的方法来应对去中心化治理面临的关键挑战。女巫对 DAO 及其他基于公地的在线社区的组织可持续性构成重大威胁，文中识别了威胁模型。实验方法使用自编码器架构和图深度学习技术来识别 DAO 治理数据集（snapshot.org）中的女巫活动。具体而言，图卷积神经网络（GCNN）学习了投票行为，快速向量聚类算法利用高维嵌入来识别图中的相似节点。结果表明，深度学习可有效识别女巫，将投票图缩减 2-5%。本研究强调了女巫抵抗在 DAO 中的重要性，识别了匿名网络取证与分析的挑战与机遇，并为去中心化治理提供了新视角，可为未来政策、监管与治理实践提供参考。
引用
@article{arxiv.2311.17929,
title = {New Online Communities: Graph Deep Learning on Anonymous Voting Networks to Identify Sybils in Polycentric Governance},
author = {Quinn DuPont},
journal= {arXiv preprint arXiv:2311.17929},
year = {2024}
}