Проблема ручного контроля в DeFi
Существующие подходы к управлению в децентрализованных финансовых сетях (DeFi) часто опираются на ручной обзор комитетов. Это создает субъективные искажения, узкие места масштабируемости при высоких нагрузках и не позволяет улавливать сложные поведенческие паттерны. Авторы работы Zahra Batool, Michael Duchesne, Kaiwen Zhang и Ulrich Aivodji предлагают решение — DeFiRank, фреймворк на основе федеративного обучения (Federated Learning).
Как работает DeFiRank
Система позволяет множеству институтов совместно обучать модель ранжирования, не раскрывая свои приватные данные транзакций. Модель учитывает факторы, свидетельствующие о подлинном участии в сети и вкладе в сетевой эффект:
- Разнообразие контрагентов (diversity of counterparties);
- Использование нескольких приложений;
- Частота транзакций.
Результатом ранжирования становится продвижение добросовестных участников и демаркетинг тех, чье поведение вызывает подозрения.
Результаты тестирования
Методология была протестирована на реальном наборе данных транзакций блокчейна. Федеративный подход показал результаты, незначительно уступающие централизованному базовому уровню, но при этом полностью сохранил конфиденциальность данных. Ключевые метрики эффективности представлены ниже:
| Метрика | DeFiRank (Федеративный) | Централизованный базовый уровень |
|---|---|---|
| NDCG@15 (качество ранжирования) | ≈ 0.87 | ≈ 0.92 |
| Kendall τ (стабильность ранжирования) | ≈ 0.70 | ≈ 0.70 |
Практическое значение
Система продемонстрировала способность принимать надежные управленческие решения без централизованного доступа к чувствительным данным. В ходе тестирования DeFiRank успешно идентифицировал и продвинул 648 уникальных провайдеров, а также демаркировал 39 провайдеров с подозрительным поведением. Это доказывает жизнеспособность подхода для создания масштабируемых и этичных механизмов управления в Web3.
Источник: arXiv cs.AI ↗