💻 computer science

Repeated-Game Security for Restaking-Based Verifiable Inference

यह शोध पत्र यह प्रदर्शित करता है कि रिस्टेकिंग-आधारित सत्यापन योग्य अनुमान (verifiable inference) में अक्सर मानी जाने वाली एक-चरण प्रोत्साहन संगतता (one-round incentive compatibility) अपर्याप्त है क्योंकि एक बार-बार होने वाले खेल के अंतराल (repeated-game gap) के कारण आनुपातिक स्लैशिंग (proportional slashing) समय के साथ तर्कसंगत गैर-अनुपालन को रोकने में विफल रहती है, और यह प्रति-क्वेरी क्रिप्टोग्राफिक सत्यापन की आवश्यकता के बिना दीर्घकालिक सुरक्षा बहाल करने के लिए इतिहास-निर्भर चुनौतियों (history-dependent challenges) और प्रतिष्ठा-भारित स्लैशिंग (reputation-weighted slashing) को संयोजित करने वाला एक तैनात करने योग्य तंत्र प्रस्तावित करता है।

मूल लेखक: Zhenhang Shang, Yingzhe Yu, Kani Chen

प्रकाशित 2026-08-11

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhenhang Shang, Yingzhe Yu, Kani Chen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक ऐसी दुनिया की कल्पना करें जहाँ विशाल, सुपर-स्मार्ट कंप्यूटर दिमाग (जिन्हें लार्ज लैंग्वेज मॉडल्स कहा जाता है) आपके सवालों के जवाब दे सकते हैं, आपकी कहानियाँ लिख सकते हैं या आपके गणित के सवालों को हल कर सकते हैं। लेकिन यहाँ एक पेंच है: इन दिमागों को चलाना महंगा और धीमा है। इसलिए, कंपनियाँ उनके लिए सोचने के लिए स्वतंत्र श्रमिकों (independent workers) को काम पर रखना चाहती हैं। समस्या यह है कि आप कैसे जानेंगे कि श्रमिक ने केवल उत्तर का अनुमान तो नहीं लगाया या पैसे बचाने के लिए किसी सस्ते, कम बुद्धिमान दिमाग का उपयोग तो नहीं किया? यह वेरिफिएबल इन्फरेंस (verifiable inference) की दुनिया है।

इसे हल करने के लिए, हम रीस्टेकिंग (restaking) नामक एक प्रणाली का उपयोग करते हैं। इसे एक सुरक्षा जमा (security deposit) की तरह समझें। श्रमिक ईमानदारी से काम करने के वादे के रूप में डिजिटल नकदी (stake) का एक ढेर जमा करता है। यदि वे नियमों से हटते हैं, तो एक रेफरी उनके काम की जाँच करता है, और यदि वे पकड़े जाते हैं, तो रेफरी उनकी जमा राशि का एक हिस्सा ले लेता है। इसे स्लैशिंग (slashing) कहा जाता है। लंबे समय तक, विशेषज्ञों ने माना कि यह एक आदर्श सुरक्षा जाल था। उनका मानना था कि यदि विचलन (deviating) के लिए जुर्माना विचलन से होने वाली बचत से अधिक है, तो कोई भी विचलन करने की कोशिश नहीं करेगा। यह एक सरल "वन-शॉट" सौदा था: कुकी मत चुराओ, वरना जार खो दोगे।

लेकिन क्या होगा अगर श्रमिक केवल एक काम नहीं कर रहा है? क्या होगा अगर उसे बार-बार लाखों काम करने के लिए काम पर रखा जाता है? यहीं से कहानी पेचीदा हो जाती है। आप जो शोध पत्र पढ़ने जा रहे हैं, वह एक शानदार सवाल पूछता है: क्या "वन-शॉट" सुरक्षा जाल वास्तव में काम करता है जब खेल को बार-बार खेला जाता है? इसके लेखक, हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के झेनहांग शांग, यिंगझे यू और कानी चेन ने पाया कि पुराने सुरक्षा जाल में एक छिपा हुआ छेद है। उन्होंने पाया कि यदि कोई श्रमिक थोड़ा सा भी विचलन करता है, तो वह वास्तव में बच निकल सकता है, भले ही जुर्माना पहली नज़र में डरावना लगे। क्यों? क्योंकि हर बार जब वे पकड़े जाते हैं, तो जुर्माना उनकी जमा राशि का केवल एक हिस्सा होता है। इसलिए, उनकी जमा राशि छोटी होती जाती है, जिससे भविष्य के जुर्माने कमजोर होते जाते हैं, जबकि वे हर नए काम पर बचत करना जारी रखते हैं। यह एक चोर की तरह है जो थोड़ा-थोड़ा सोना चुराता रहता है, और हर बार जब गार्ड उसे पकड़ता है, तो गार्ड उसके शेष सोने का केवल एक छोटा सा हिस्सा लेता है, जिससे चोर का "जोखिम" गिरता जाता है जब तक कि वह लगभग अछूत न हो जाए।

बड़ी खोज: "रिपीट ऑफेंडर" (बार-बार अपराध करने वाला) का लूपहोल

लेखकों ने महसूस किया कि पुराना नियम—"विचलन न करें क्योंकि जुर्माना लाभ से बड़ा है"—केवल एक बार के निर्णय के लिए काम करता है। लेकिन वास्तविक दुनिया में, ये AI प्रदाता लंबे समय के लिए हैं, जो हजारों या लाखों सवालों के जवाब देते हैं। यह शोध पत्र इसे एक रिपीटेड गेम (repeated game) के रूप में मॉडल करता है, जहाँ प्रदाता और प्रोटोकॉल दौर दर दौर खेलते हैं।

उन्होंने एक "रिपीटेड-गेम गैप" पाया। यहाँ वह जादुई ट्रिक है जिसका उपयोग विचलन करने वाला करता है:

सेटअप: प्रदाता एक बड़ा स्टेक (stake) लगाता है।
विचलन (Deviation): वे सवालों के जवाब देने के लिए एक सस्ते, तेज़ मॉडल का उपयोग करते हैं, जिससे हर क्वेरी पर पैसे बचते हैं।
चूक (Slip-up): कभी-कभी, रेफरी (प्रोटोकॉल) उन्हें पकड़ लेता है।
लूपहोल: प्रोटोकॉल उनकी स्टेक का केवल एक प्रतिशत काटता है, मान लीजिए 20%। प्रदाता कुछ पैसा खो देता है, लेकिन उनके पास अभी भी 80% बचा रहता है।
चक्र (Cycle): क्योंकि उनका स्टेक अब छोटा है, अगली बार जब वे पकड़े जाते हैं, तो जुर्माना और भी छोटा होता है (एक छोटे नंबर का 20%)। लेकिन अगले सवाल पर उनके द्वारा बचाई गई राशि पहले जितनी ही समान रहती है!

शोध पत्र गणितीय रूप से सिद्ध करता है कि यह एक खतरनाक असंतुलन पैदा करता है। बचत स्थिर रहती है, लेकिन पकड़े जाने पर दंड छोटा होता जाता है। लेखक दिखाते हैं कि कई मौजूदा प्रणालियों (जैसे EigenAI, VeriLLM, और Sertn AVS) के लिए, यह गैप वास्तविक है। भले ही ये सिस्टम "वन-टाइम" सुरक्षा परीक्षण में पास हो जाते हैं, वे "लॉन्ग-टर्म" परीक्षण में विफल हो जाते हैं। सिमुलेशन में, एक तर्कसंगत विचलन करने वाला इस रिपीटेड-गेम लूपहोल का फायदा उठाकर 1.5% से 8% अतिरिक्त लाभ कमा सकता है, भले ही सिस्टम सोचता हो कि वह सुरक्षित है।

समाधान: एक स्मार्ट, हिस्ट्री-अवेयर (इतिहास-जागरूक) प्रणाली

तो, हम उस प्रणाली को कैसे ठीक करें जो विचलन करने वाले को पकड़ने पर और कमजोर होती जाती है? लेखक एक नया तंत्र प्रस्तावित करते हैं जो एक स्मार्ट, मेमोरी रखने वाले रेफरी की तरह काम करता है। केवल यह देखने के बजाय कि श्रमिक के पास कितना पैसा बचा है, नया सिस्टम उनके इतिहास (history) को देखता है।

उन्होंने इस छेद को भरने के लिए तीन चतुर उपकरण पेश किए हैं:

सस्पिशन स्कोर (संदिग्ध स्कोर - "सतर्क नज़र"): सिस्टम प्रत्येक कार्यकर्ता के लिए एक स्कोर रखता है। यदि वे अजीब व्यवहार करते हैं (जैसे बहुत तेज़ी से उत्तर देना या थोड़े अलग उत्तर देना), तो उनका सस्पिशन स्कोर बढ़ जाता है। स्कोर जितना अधिक होगा, रेफरी द्वारा उनके काम की जाँच किए जाने की संभावना उतनी ही अधिक होगी। इसका मतलब है कि यदि आप विचलन करते हैं, तो आपको केवल जुर्माना ही नहीं लगेगा; अगली बार आप पर अधिक बारीकी से नज़र रखी जाएगी।
रेप्यूटेशन-वेटेड फाइन (प्रतिष्ठा-आधारित जुर्माना - "स्कार्लेट लेटर"): केवल शेष राशि का एक प्रतिशत लेने के बजाय, जुर्माना कार्यकर्ता की प्रतिष्ठा पर भी निर्भर करता है। यदि आपका इतिहास खराब है, तो जुर्माना बहुत कठोर हो जाता है, भले ही आपकी जमा राशि छोटी हो। यह "सिकुड़ते दंड" (shrinking penalty) के ट्रिक को रोकता है।
वेस्टिंग (Vesting - "लीश/पट्टा"): जब कोई कार्यकर्ता खेल छोड़ने (पैसे निकालने) की कोशिश करता है, तो सिस्टम उन्हें तुरंत भागने नहीं देता। उनका पैसा कुछ समय के लिए "लॉक" कर दिया जाता है। यदि वे विचलन करने और भागने की कोशिश करते हैं, तो सिस्टम इस लॉक-अप अवधि के दौरान भी उन्हें पकड़ सकता है और उनके पैसे ले सकता है। यह "विचलन करो और भाग जाओ" की रणनीति को रोकता है।

क्या यह वास्तव में काम करता है?

लेखकों ने केवल कल्पना नहीं की; उन्होंने परीक्षण करने के लिए एक सिम्युलेटर बनाया। उन्होंने अपने नए सिस्टम की तुलना पुराने सिस्टमों से विभिन्न प्रकार के "विचलन करने वालों" (deviators) का उपयोग करके की, जिनमें वे लोग भी शामिल थे जो लगातार विचलन करते हैं, वे जो केवल तब विचलन करते हैं जब उन्हें लगता है कि कोई देख नहीं रहा है, और वे जो विचलन करने और फिर भागने की कोशिश करते हैं।

परिणाम उत्साहजनक थे। सिमुलेशन में, पुराने सिस्टमों ने विचलन करने वालों को उनका अतिरिक्त लाभ रखने दिया। लेकिन नया सिस्टम, अपने हिस्ट्री-अवेयर नियमों के साथ, विचलन करने वालों के मुनाफे को 31% से 54% तक कम कर देता है। कुछ मामलों में, इसने विचलन को एक नुकसान देने वाली रणनीति बना दिया, जिससे विचलन करने वाले का लाभ घाटे में बदल गया।

उन्होंने यह भी परीक्षण किया कि विचलन कितना "डिटेक्टेबल" (पकड़ने योग्य) है। उन्होंने वास्तविक AI मॉडल (0.5 बिलियन पैरामीटर से लेकर 14 बिलियन पैरामीटर वाले बड़े मॉडल तक) का उपयोग करके देखा कि क्या सिस्टम वास्तविक उत्तर और एक सस्ते, नकली उत्तर के बीच अंतर को पहचान सकता है। उन्होंने पाया कि सिस्टम का "सस्पिशन मीटर" बहुत अच्छा काम करता है, विशेष रूप से जब अच्छे मॉडल और सस्ते मॉडल के बीच लागत का अंतर बड़ा होता है। विचलन करने वाला जितना अधिक पैसा बचाने की कोशिश करेगा, उसे पकड़ना उतना ही आसान होगा।

यह क्यों महत्वपूर्ण है

यह शोध पत्र ब्लॉकचेन और AI सुरक्षा की दुनिया के लिए एक चेतावनी है। यह दिखाता है कि केवल इसलिए कि एक सुरक्षा नियम एक क्षण के लिए काम करता है, इसका मतलब यह नहीं है कि वह जीवन भर के लिए काम करेगा। लेखकों ने न केवल एक समस्या की ओर इशारा किया; उन्होंने एक ऐसी प्रणाली का ब्लूप्रिंट बनाया जो बार-बार होने वाली अंतःक्रियाओं (repeated interactions) की वास्तविकता को संभाल सकती है।

उन्होंने सिद्ध किया कि दंड को कार्यकर्ता के पिछले व्यवहार पर निर्भर कराकर और उन्हें जाने के समय "लीश" (पट्टे) पर रखकर, हम एक ऐसी प्रणाली बना सकते हैं जो सुरक्षित रहती है भले ही खेल अनंत काल तक चलता रहे। यह सुरक्षा को एक एकल "जमानत" के रूप में सोचने के बजाय इसे एक दीर्घकालिक संबंध के रूप में सोचने की ओर एक बदलाव है जहाँ विश्वास समय के साथ अर्जित और खोया जाता है। जो कोई भी ब्लॉकचेन पर भविष्य के AI का निर्माण कर रहा है, उसके लिए यह सुनिश्चित करने की दिशा में एक महत्वपूर्ण कदम है कि कार्यकर्ता वास्तव में वही काम कर रहे हैं जिसका वे वादा करते हैं।

तकनीकी सारांश: रिस्टेकिंग-आधारित सत्यापन योग्य अनुमान (Verifiable Inference) के लिए पुनरावृत्ति-खेल सुरक्षा (Repeated-Game Security)

समस्या विवरण
रिस्टेकिंग-आधारित प्रोटोकॉल (जैसे, EigenLayer AVSs) ने सत्यापन योग्य लार्ज लैंग्वेज मॉडल (LLM) अनुमान के लिए एक व्यावहारिक समाधान के रूप में उभरकर, ज़ीरो-नॉलेज मशीन लर्निंग (zkML) की उच्च लागत और ट्रस्टेड एक्जीक्यूशन एनवायरनमेंट (TEEs) की हार्डवेयर विश्वास धारणाओं का एक विकल्प प्रदान किया है। इन प्रणालियों के लिए वर्तमान सुरक्षा मॉडल एक एक-राउंड प्रोत्साहन अनुकूलता (1-Round IC) स्थिति पर निर्भर करते हैं: एक तर्कसंगत प्रदाता (provider) तब तक विचलन (deviation) करने से रुकता है जब तक कि अपेक्षित दंड (slashing) प्रति-क्वेरी लागत बचत ( $\Delta$ ) से अधिक न हो जाए।

यह शोध पत्र इस तर्क में एक महत्वपूर्ण दोष की पहचान करता है: सत्यापन योग्य अनुमान एक पुनरावृत्ति अंतःक्रिया (repeated interaction) है जहाँ एक एकल स्टेक हजारों से लाखों क्वेरीज़ का समर्थन करता है। मानक एक-राउंड विश्लेषण 'आनुपातिक स्लैशिंग' (proportional slashing) की गतिशील प्रकृति को ध्यान में रखने में विफल रहता है (जहाँ पता चलने पर स्टेक का केवल एक अंश $\alpha < 1$ ही स्लैश किया जाता है)। एक पुनरावृत्ति सेटिंग में, एक पता लगाया गया विचलन प्रदाता के भविष्य के स्टेक एक्सपोज़र को कम कर देता है, जिससे आगामी राउंड के लिए अपेक्षित दंड कम हो जाता है, जबकि विचलन से होने वाली लाभ ( $\Delta$ ) बार-बार अर्जित की जाती है। यह एक "पुनरावृत्ति-खेल अंतराल" (repeated-game gap) बनाता है जहाँ एक प्रोटोकॉल 1-Round IC को संतुष्ट कर सकता है, फिर भी समय के साथ लाभदायक विचलनों के प्रति असुरक्षित रह सकता है।

कार्यप्रणाली (Methodology)
लेखक रिस्टेकिंग-आधारित सत्यापन योग्य अनुमान को एक तर्कसंगत प्रदाता और एक ऑन-चेन प्रोटोकॉल के बीच एक डिस्काउंटेड रिपीटेड गेम (discounted repeated game) के रूप में मॉडल करते हैं।

गेम थ्योरेटिक मॉडलिंग: वे स्टेज गेम को परिभाषित करते हैं जहाँ एक प्रदाता कंप्यूटेशन लागत बचाने के लिए ईमानदार निष्पादन ( $H$ ) और विचलन ( $C$ ) के बीच चयन करता है। प्रोटोकॉल संभावना $c$ के साथ क्वेरीज़ का ऑडिट करता है और पता चलने पर वर्तमान स्टेक $S_t$ के एक अंश $\alpha$ को स्लैश करता है।
अंतराल का व्युत्पन्न (Gap Derivation): वे एक स्थिर मिश्रित रणनीति (fixed probability $p$ के साथ विचलन करना) के तहत विचलन लाभ के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति व्युत्पन्न करते हैं। वे प्रदर्शित करते हैं कि आनुपातिक स्लैशिंग के तहत, दंड के प्रति उजागर स्टेक ज्यामितीय रूप से घटता है ( $S_{t+1} = S_t(1 - \alpha)$ पता चलने पर), जबकि विचलन से प्राप्त लाभ संचित होता जाता है।
तंत्र डिजाइन (Mechanism Design): इस अंतराल को भरने के लिए, वे एक तैनात करने योग्य तंत्र प्रस्तावित करते है जो सार्वजनिक इतिहास के आधार पर प्रोटोकॉल की स्थिति को संशोधित करता है। यह तंत्र तीन घटकों को एकीकृत करता है:
- इतिहास-निर्भर चुनौतियाँ (History-Dependent Challenges): जोखिम संकेतों (जैसे, आउटपुट विसंगतियां, विलंबता परिवर्तन) के आधार पर एक संदेह स्कोर अपडेट होता है। ऑडिट की संभावना $c(S_t)$ संदेह स्कोर के साथ बढ़ती है।
- प्रतिष्ठा-भारित स्लैशिंग (Reputation-Weighted Slashing): वर्तमान स्टेक के एक निश्चित अंश को स्लैश करने के बजाय, दंड को एक मजबूत बेयसियन पोस्टीरियर ( $\bar{\rho}_t$ ) द्वारा भारित किया जाता है जो एक रणनीतिक विचलितकर्ता होने की संभावना का प्रतिनिधित्व करता है। यह दंड के आधार को यांत्रिक रूप से घटने से रोकता है।
- स्टेक वेस्टिंग (Stake Vesting): एक टाइम-लॉक्ड वेस्टिंग अवधि ( $\tau$ ) यह सुनिश्चित करती है कि यदि कोई प्रदाता विचलन के बाद बाहर निकलने (unbond) का प्रयास करता है, तो उनका स्टेक पर्याप्त अवधि के लिए स्लैश करने योग्य बना रहता है ताकि प्रोत्साहन अनुकूलता बनी रहे।

मुख्य योगदान

पुनरावृत्ति-खेल अंतराल की पहचान: यह शोध पत्र सिद्ध करता है कि किसी भी मेमोरीलेस बाउंडेड-स्लैशिंग प्रोटोकॉल के लिए, जिसमें $\alpha < 1$ है, 1-Round IC को संतुष्ट करना अनंत-क्षितिज सबगेम-परफेक्ट प्रोत्साहन अनुकूलता (SPIC) के लिए अपर्याप्त है। वे विफलता की स्थिति व्युत्पन्न करते हैं: यदि 1-Round स्लैक $\eta < \frac{\delta c \alpha \Delta}{1-\delta}$ है, तो प्रोटोकॉल SPIC में विफल हो जाता है।
तैनात करने योग्य तंत्र: वे एक ऐसा तंत्र निर्मित करते हैं जो बिना प्रति-क्वेरी क्रिप्टोग्राफिक सत्यापन की आवश्यकता के, स्थिर मिश्रित-रणनीति विचलनों के विरुद्ध SPIC को बहाल करता है। यह तंत्र इतिहास-निर्भर चुनौतियों, प्रतिष्ठा-भारित स्लैशिंग और वेस्टिंग पर निर्भर करता है।
क्लोज्ड-फॉर्म थ्रेशोल्ड्स: वे प्रस्तावित तंत्र के लिए एक स्पष्ट थ्रेशोल्ड $\delta^*$ (आवश्यक न्यूनतम ऑपरेटर धैर्य) व्युत्पन्न करते हैं। मेमोरीलेस प्रोटोकॉल के विपरीत जहाँ आवश्यक स्टेक $\delta \to 1$ होने पर विवर्धित (diverge) हो जाता है, प्रस्तावित तंत्र का आवश्यक स्टेक सीमित रहता है।
अनुभवजन्य अंशांकन (Empirical Calibration):
- सिग्नल डिटेक्टेबिलिटी: लेखक ओपन-वेट मॉडल्स (Qwen2.5, 0.5B से 14B पैरामीटर्स) पर ऑडिट सिग्नल डिटेक्टेबिलिटी ( $\mu(p)$ ) का पहला प्रत्यक्ष मापन प्रदान करते हैं। वे पुष्टि करते हैं कि सिग्नल प्रतिक्रिया सिद्धांत के अनुसार अवतल (concave) है, जिसका आयाम कॉन्ट्रैक्टेड और सब्स्टिट्यूट मॉडल्स के बीच लागत अनुपात में बढ़ने के साथ बढ़ता है।
- प्रोटोकॉल मूल्यांकन: वे मॉडल को तैनात मापदंडों (EigenAI, VeriLLM, Sertn AVS) के लिए अंशांकित करते हैं। परिणाम दिखाते हैं कि जबकि ये प्रोटोकॉल 1-Round IC पास करते हैं, वे डिस्काउंट फैक्टर $\delta \in [0l, 0.98]$ के लिए रिपीटेड-गेम IC में विफल रहते हैं, जिससे 1.5%–8% का विचलन लाभ संभव होता है।
- तंत्र की प्रभावकारिता: सिमुलेशन दिखाते हैं कि प्रस्तावित तंत्र मेमोरीलेस बेसलाइन की तुलना में विचलन लाभ को 31%–54% तक कम कर देता है, जबकि कम-विलंबता आर्थिक सत्यापन को बनाए रखता है।

परिणाम

सैद्धांतिक: यह शोध पत्र स्थापित करता है कि मेमोरीलेस आनुपातिक स्लैशिंग धैर्यवान ऑपरेटरों ( $\delta \to 1$ ) की सीमा में समान पुनरावृत्ति-खेल सुरक्षा प्रदान नहीं कर सकता है। प्रस्तावित तंत्र $\delta \to 1$ के लिए सीमित स्टेक आवश्यकताओं को प्राप्त करता है।
अनुभवजन्य:
- Qwen2.5 मॉडल्स पर मापे गए सिग्नल रिस्पॉन्स अवतलता ( $q \in [0.70, 0.89]$ ) दिखाते हैं और रूढ़िवादी अंशांकन से अधिक आयाम प्रदर्शित करते हैं, जिससे आवश्यक धैर्य थ्रेशोल्ड $\delta^*$ घटकर 0.79–0.92 हो जाता है।
- एक स्टैकेलबर्ग ऑडिट-बजट विश्लेषण दर्शाता है कि सिग्नल रिस्पॉन्सिवनेस, बेसलाइन ऑडिटिंग का स्थान लेती है, जिससे लक्षित डिस्काउंट फैक्टर 0.95 पर आवश्यक बेसलाइन ऑडिट दर 2.6 गुणा कम हो जाती है।
- स्ट्रेस टेस्ट में, प्रस्तावित तंत्र बेस्ट-रिस्पॉन्स स्टेशनरी एडवर्सरी को ~6.2% के लाभ अंश तक सीमित रखता है, जबकि मेमोरीलेस बेसलाइन के लिए यह ~13.6% था।

महत्व
यह शोध पत्र तर्क देता है कि रिस्टेकिंग-आधारित सत्यापन योग्य अनुमान की सुरक्षा को केवल स्टेज-गेम स्लैशिंग असमानताओं द्वारा न्यायसंगत नहीं ठहराया जा सकता है। यह रेखांकित करता है कि आनुपातिक स्लैशिंग में अंतर-कालिक बेमेल (intertemporal mismatch) एक ऐसी भेद्यता पैदा करता है जो एक-शॉट विश्लेषण में अदृश्य होती है। प्रस्तावित तंत्र वास्तविक दुनिया की तैनाती के लिए सबगेम-परफेक्ट प्रोत्साहन अनुकूलता (SPIC) का मार्ग प्रशस्त करता है, यह सुनिश्चित करता है कि तर्कसंगत प्रदाता पूर्ण क्रिप्टोग्राफिक सत्यापन या पूर्ण-स्टेक जब्ती की अत्यधिक लागत उठाए बिना लंबे क्षितिज पर ईमानदार बने रहें। यह कार्य गेम थ्योरी और क्रिप्टो-इकोनॉमिक्स के बीच के अंतर को पाटता है, जो सुरक्षित, कम-विलंबता वाले सत्यापन योग्य अनुमान प्रणालियों को डिजाइन करने के लिए एक कठोर ढांचा प्रदान करता है।

बड़ी खोज: "रिपीट ऑफेंडर" (बार-बार अपराध करने वाला) का लूपहोल

समाधान: एक स्मार्ट, हिस्ट्री-अवेयर (इतिहास-जागरूक) प्रणाली

क्या यह वास्तव में काम करता है?

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर