論文の概要: Token-Efficient Change Detection in LLM APIs

• arxiv url: http://arxiv.org/abs/2602.11083v1
• Date: Wed, 11 Feb 2026 17:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.266907
• Title: Token-Efficient Change Detection in LLM APIs
• Title（参考訳）: LLM APIにおけるToken-Efficient Change Detection
• Authors: Timothée Chauvin, Clément Lalanne, Erwan Le Merrer, Jean-Michel Loubes, François Taïani, Gilles Tredan,
• Abstract要約: 既存の方法は大規模にデプロイするには高すぎるか、モデルウェイトに対する初期ホワイトボックスアクセスが必要か、あるいはログの確率に対するグレイボックスアクセスが必要になる。 我々は,低コストかつ厳格なブラックボックス操作を実現することを目指しており,出力トークンのみを観察している。 私たちのアプローチは、Border Inputsと呼ばれる特定の入力に依存します。
• 参考スコア（独自算出の注目度）: 8.484873526700978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote change detection in LLMs is a difficult problem. Existing methods are either too expensive for deployment at scale, or require initial white-box access to model weights or grey-box access to log probabilities. We aim to achieve both low cost and strict black-box operation, observing only output tokens. Our approach hinges on specific inputs we call Border Inputs, for which there exists more than one output top token. From a statistical perspective, optimal change detection depends on the model's Jacobian and the Fisher information of the output distribution. Analyzing these quantities in low-temperature regimes shows that border inputs enable powerful change detection tests. Building on this insight, we propose the Black-Box Border Input Tracking (B3IT) scheme. Extensive in-vivo and in-vitro experiments show that border inputs are easily found for non-reasoning tested endpoints, and achieve performance on par with the best available grey-box approaches. B3IT reduces costs by $30\times$ compared to existing methods, while operating in a strict black-box setting.
• Abstract（参考訳）: LLMにおけるリモート変更検出は難しい問題である。 既存の方法は大規模にデプロイするには高すぎるか、モデルウェイトに対する初期ホワイトボックスアクセスが必要か、あるいはログの確率に対するグレイボックスアクセスが必要になる。 我々は,低コストかつ厳格なブラックボックス操作を実現することを目指しており,出力トークンのみを観察している。 私たちのアプローチは、Border Inputsと呼ばれる特定の入力に依存します。 統計的観点からは、最適変化検出はモデルのヤコビアンと出力分布のフィッシャー情報に依存する。 低温状態におけるこれらの量の分析は、境界入力が強力な変化検出テストを可能にすることを示している。 この知見に基づいて,ブラックボックス境界入力追跡(B3IT)方式を提案する。 広範囲にわたるin-vivoおよびin-vitro実験により、非推論テストエンドポイントではバウンダリ入力が容易に見つけることができ、最高のグレーボックスアプローチと同等のパフォーマンスを達成することが示されている。 B3ITは、厳格なブラックボックス設定で運用しながら、既存の方法と比較して、コストを30\times$に削減する。

関連論文リスト

• Beyond Linear Probes: Dynamic Safety Monitoring for Language Models [67.15793594651609]
  従来の安全モニタは、クエリ毎に同じ量の計算を必要とする。 動的アクティベーションモニタリングのための線形プローブの自然な拡張であるTrncated Polynomials (TPCs)を紹介する。 我々の重要な洞察は、TPCを段階的に、短期的に訓練し、評価できるということです。
  論文  参考訳（メタデータ） (2025-09-30T13:32:59Z)
• Auditing Black-Box LLM APIs with a Rank-Based Uniformity Test [24.393978712663618]
  APIプロバイダは、コスト削減やモデル動作の不正な変更のために、量子化または微調整の亜種を慎重に提供することができる。 そこで我々は,ブラックボックスLLMの挙動等式を局所的に展開した認証モデルに検証できるランクベース均一性試験を提案する。 我々は、量子化、有害な微調整、脱獄プロンプト、完全なモデル置換など、さまざまな脅威シナリオに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-06-08T03:00:31Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。