新的CMDP方法通过自适应审计增强链下数据完整性

研究人员开发了一种新颖的方法来确保链下数据的完整性，将加密审计建模为约束马尔可夫决策过程（CMDP）。他们提出的DRQN-CMDP方法利用带有门控循环单元的深度循环Q网络来维护存储节点隐藏状态的信念。该系统结合拉格朗日对偶上升法，动态调整失误率惩罚，以在气体成本、失误率和检测延迟之间取得有利的平衡，其性能优于各种基线方法。 AI

影响 这项研究可能为区块链和分布式系统中链下数据的验证带来更有效、更安全的方法。

排序理由 该条目是一篇学术论文，详细介绍了一种新的数据完整性方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• Bayesian Heuristics for Robust Spatial Perception
• CatalyzeX
• Constrained MDP
• DagsHub
• Deep Recurrent Q-Network
• DRQN-CMDP
• gated recurrent unit
• Gotit.pub
• Hugging Face
• Lagrangian dual ascent
• PPO-Lagrangian
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →