論文の概要: TP-CRIV: A Framework for Third-Party Challenge-Response Identity Verification of AI Models
- arxiv url: http://arxiv.org/abs/2609.29264v1
- Date: Thu, 24 Sep 2026 09:03:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.803648
- Title: TP-CRIV: A Framework for Third-Party Challenge-Response Identity Verification of AI Models
- Title（参考訳）: TP-CRIV:AIモデルの第三者チャレンジ-レスポンスアイデンティティ検証のためのフレームワーク
- Abstract要約: AIモデルのためのサードパーティのチャレンジ-レスポンスアイデンティティ検証(TP-CRIV)。
TP-CRIVは、検証者が請求者のモデルにホワイトボックスやAPIアクセスを持たず、サービスプロバイダからプロトコル固有の協力を必要としない、サードパーティの検証設定をターゲットにしている。
- 参考スコア（独自算出の注目度）: 2.5494170736545034
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Artificial intelligence (AI) models are increasingly deployed through remote services, making model misappropriation a growing concern. Existing approaches, including watermarking, fingerprinting, and model similarity analysis, primarily rely on predefined evidence or direct behavioral comparison and do not explicitly evaluate whether the claimant currently possesses and can utilize model-dependent information relevant to the claimed model identity. In this paper, we propose Third-Party Challenge-Response Identity Verification (TP-CRIV) for AI models. TP-CRIV targets a third-party verification setting in which the verifier has neither white-box nor API access to the claimant's model, can interact with the suspicious deployed service only through its ordinary black-box inference interface, and does not require protocol-specific cooperation from the service provider. Under these constraints, the framework enables the verifier to obtain empirical evidence as to whether the claimant locally possesses a model satisfying a predeclared identity relative to the deployed model. Verification is conducted under fresh, previously undisclosed requirements and network isolation, so that the demonstrated capability cannot rely on online external assistance after challenge disclosure. The resulting evidence is interpreted relative to independently specified and calibrated matching and non-matching operating situations and is statistical rather than cryptographic. We instantiate TP-CRIV for CNN image classifiers using probability-control-based witness generation. Experiments on ten ImageNet-pretrained TorchVision models demonstrate clear same/cross-model separation and finite-challenge verification using independently calibrated thresholds.
- Abstract（参考訳）: 人工知能(AI)モデルは、リモートサービスを通じてますますデプロイされ、モデルの誤用が懸念される。
透かし、指紋認証、モデル類似性分析などの既存のアプローチは、主に事前に定義された証拠や直接的な行動比較に依存しており、クレームが現在保持しており、クレームモデルアイデンティティに関連するモデル依存情報を利用することができるかどうかを明示的に評価していない。
本稿では,AIモデルのための第3のパーティチャレンジ-レスポンスアイデンティティ検証(TP-CRIV)を提案する。
TP-CRIVは、検証者がホワイトボックスもAPIアクセスも持たず、通常のブラックボックス推論インターフェースを通じてのみ疑わしいデプロイされたサービスと対話でき、サービスプロバイダからのプロトコル固有の協力を必要としない、サードパーティの検証設定をターゲットにしている。
これらの制約の下で、この枠組みにより、検証者は、クレームが、デプロイされたモデルに対する事前宣言された同一性を満たすモデルを局所的に有しているかという経験的証拠を得ることができる。
検証は、新しい、未公表の要件とネットワーク分離の下で実施されるため、証明された能力は、課題開示後のオンライン外部支援に依存しない。
得られた証拠は、独立に特定され、校正され、整合しない運用状況に対して解釈され、暗号よりも統計的である。
確率制御による目撃者生成を用いたCNN画像分類器のTP-CRIVのインスタンス化を行う。
ImageNet-Pretrained TorchVisionモデル10の実験では、独立に校正されたしきい値を用いて、同じ/クロスモデル分離と有限チャレンジ検証が示されている。
関連論文リスト
- Fingerprinting Text-to-Image Diffusion Models via Collapsed Generation [38.697895774925136]
崩壊生成は、学習された生成プロセスの本質的でモデルに依存した特性である。
崩壊した世代指紋は、混乱の少ない異なるソースモデルを識別できることを示す。
これらの指紋は、微調整されたデリバティブや、一般的で適応的なモデルやクエリレベルの難読化の下でも検証可能である。
論文 参考訳（メタデータ） (2026-08-12T07:12:38Z) - Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。
本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文 参考訳（メタデータ） (2026-06-15T16:54:02Z) - CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。
CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
論文 参考訳（メタデータ） (2026-06-09T16:24:16Z) - Stress-Testing Neural Network Verifiers with Provably Robust Instances [10.017475431603389]
我々は,地中構造ラベルを用いた検証インスタンス生成のための再利用可能なフレームワークを提案する。
また、インスタンスの硬さの異なるソースを推定可能な量の集合であるDifficulty Profileについても紹介する。
我々のフレームワークとこれらのプロファイルを用いて、5つの最先端検証ツールを評価し、異なるインスタンスが検証パイプラインの異なる側面を強調していることを示す。
論文 参考訳（メタデータ） (2026-05-16T20:56:52Z) - Making AI-Assisted Grant Evaluation Auditable without Exposing the Model [0.0]
本稿では,遠隔検定による要求の整合を支援するTEEアーキテクチャを提案する。
このアーキテクチャにより、外部検証者はどのモデル、ルーブリック、プロンプトテンプレート、入力表現が使われたかをチェックすることができる。
我々は、秘密のAI推論、証明可能なAI監査、ゼロ知識機械学習、アルゴリズムのアカウンタビリティ、AI支援ピアレビューに対する設計を位置付ける。
論文 参考訳（メタデータ） (2026-04-28T04:10:04Z) - Rethinking LLM Watermark Detection in Black-Box Settings: A Non-Intrusive Third-Party Framework [16.430415006488865]
TTP-Detectは、非侵襲的なサードパーティによる透かし検証のために設計された、先駆的なブラックボックスフレームワークである。
プロキシモデルを用いて、透かし関連信号を増幅し、補完的な相対的な測定を行い、透かし付き分布とクエリテキストのアライメントを評価する。
多様な攻撃に対して優れた検出性能と堅牢性を実現する。
論文 参考訳（メタデータ） (2026-03-16T08:28:48Z) - CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks [54.04030169323115]
我々は、モデル抽出攻撃(MEA)に対する認証された所有権検証であるCREDITを紹介する。
DNNモデル間の類似性を定量化し、実用的な検証しきい値を提案し、このしきい値に基づいてオーナシップ検証を行うための厳密な理論的保証を提供する。
我々は、さまざまなドメインやタスクにまたがるいくつかの主流データセットに対するアプローチを広範囲に評価し、最先端のパフォーマンスを実現した。
論文 参考訳（メタデータ） (2026-02-23T23:36:25Z) - Automated Detection of Visual Attribute Reliance with a Self-Reflective Agent [58.90049897180927]
視覚モデルにおける視覚的特徴の意図しない依存を検出するための自動フレームワークを提案する。
自己反射エージェントは、モデルが依存する可能性のある視覚特性に関する仮説を生成し、テストする。
我々は,視覚特性の多様さを示すために設計された130モデルの新しいベンチマークに対して,我々のアプローチを評価した。
論文 参考訳（メタデータ） (2025-10-24T17:59:02Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Trustless Audits without Revealing Data or Models [49.23322187919369]
モデルプロバイダが(アーキテクチャではなく)モデルウェイトとデータシークレットを維持しながら、他のパーティがモデルとデータプロパティを信頼性のない監査を行うことが可能であることを示す。
私たちはZkAuditと呼ばれるプロトコルを設計し、モデルプロバイダがデータセットとモデルの重みの暗号的コミットメントを公開します。
論文 参考訳（メタデータ） (2024-04-06T04:43:06Z)
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。