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

要約

この研究では、ブロックチェーンベースの分散型自律組織 (DAO) におけるデジタル資産の多中心的なガバナンスを調査します。
これは理論的な枠組みを提供し、シビル (偽のアイデンティティ) 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対処します。
シビルは、DAO やその他のコモンズベースのオンライン コミュニティに対して組織の持続可能性に対する重大な脅威をもたらしており、脅威モデルが特定されています。
この実験手法では、オートエンコーダ アーキテクチャとグラフ ディープ ラーニング技術を使用して、DAO ガバナンス データセット (snapshot.org) 内の Sybil アクティビティを特定します。
具体的には、グラフ畳み込みニューラル ネットワーク (GCNN) が投票動作を学習し、高速ベクトル クラスタリング アルゴリズムが高次元の埋め込みを使用してグラフ内の類似したノードを識別しました。
結果は、ディープラーニングがシビルを効果的に識別し、投票グラフを 2 ～ 5% 削減できることを明らかにしました。
この研究は、DAO における Sybil 耐性の重要性を強調し、フォレンジックと匿名ネットワーク分析の課題と機会を特定し、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します。

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 an autoencoder architecture and 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 vector clustering algorithm 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, identifies challenges and opportunities for forensics and analysis of anonymous networks, 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, Google