New Online Communities: Graph Deep Learning on Anonymous Voting Networks to Identify Sybils in Polycentric Governance

要約

本研究は、ブロックチェーンをベースとした分散型自律組織（DAO）におけるデジタル資産の多中心ガバナンスを検証する。理論的な枠組みを提供し、シビル（偽のID）を識別する方法を開発することで、分散型ガバナンスが直面する重大な課題に取り組む。シビルは、DAOや他のコモンズベースのオンラインコミュニティに、組織の持続可能性に対する重大な脅威をもたらし、脅威モデルが特定される。実験的手法では、グラフ深層学習技術を使用して、DAOガバナンスデータセット（snapshot.org）のシビル活動を特定する。具体的には、グラフ畳み込みニューラルネットワーク(GCNN)が投票行動を学習し、高速k-meansベクトルクラスタリング・アルゴリズム(FAISS)が高次元埋め込みを使ってグラフ内の類似ノードを特定した。その結果、ディープラーニングが効果的にシビルを識別し、投票グラフを2～5％削減できることが明らかになった。この研究は、DAOにおけるシビル耐性の重要性を強調し、分散型ガバナンスに関する新しい視点を提供し、将来の政策、規制、ガバナンスの実践に情報を提供する。

要約(オリジナル)

This research examines the polycentric governance of digital assets in blockchain-based Decentralized Autonomous Organizations (DAOs). It offers a theoretical framework and addresses a critical challenge facing decentralized governance by developing a method to identify sybils, or spurious identities. Sybils pose significant organizational sustainability threats to DAOs and other, commons-based online communities, and threat models are identified. The experimental method uses graph deep learning techniques to identify sybil activity in a DAO governance dataset (snapshot.org). Specifically, a Graph Convolutional Neural Network (GCNN) learned voting behaviours and a fast k-means vector clustering algorithm (FAISS) used high-dimensional embeddings to identify similar nodes in a graph. The results reveal that deep learning can effectively identify sybils, reducing the voting graph by 2-5%. This research underscores the importance of sybil resistance in DAOs and offers a novel perspective on decentralized governance, informing future policy, regulation, and governance practices.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL