論文の概要: Can Power Draw Constrain Covert Compute? Limits of Analogue Verification for AI Governance

• arxiv url: http://arxiv.org/abs/2610.07476v1
• Date: Mon, 05 Oct 2026 22:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.696136
• Title: Can Power Draw Constrain Covert Compute? Limits of Analogue Verification for AI Governance
• Title（参考訳）: パワードローは計算を制限できるのか?AIガバナンスのための対話検証の限界
• Abstract要約: 計算の制限に関する条約や協定は、外部の検証を必要とする。 オフチップ計測が、積極的に監査を覆そうとする相手に対して、どの程度計算を制約できるかは分かっていない。 我々は、宣言されたマシン容量のごく一部として、最大で隠されたパワートレースを除外できない$のクローズドフォームを導出する。
• 参考スコア（独自算出の注目度）: 0.2698840218255533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier AI treaties or agreements on limiting computation require external verification; an external auditor must be able to confirm how much computation actually ran and that parties are adhering to the agreement. Analogue, off-chip measurements such as power draw provide an information channel for verification. It is unknown how well these analogue channels can constrain computation against an adversary who actively tries to subvert the audit. We derive a closed form for $β$, the largest hidden computation a power trace cannot exclude, as a fraction of the declared machine capacity. Measurements on NVIDIA A100 GPUs constrain $β= 1.16$ in the worst case, while adversarial matched-energy strategies are shown to hide at least $β= 0.41$ of compute. Analogue power measurements alone therefore constrain compute weakly. Additional restrictions granted by the threat model, such as the ability of the verifier to re-execute the declared work at an observed operating point, let the verifier push $β$ down to $0.059$ in the maximally restricted case. This gives a quantitative estimate of what analogue measurements can contribute to compute verification.
• Abstract（参考訳）: 計算を制限するためのフロンティアAI条約や合意には、外部の検証が必要であり、外部監査官は、実際にどれだけの計算が実行され、当事者が合意に準拠しているかを確認できなければならない。 アナログ、パワードローのようなオフチップの測定は、検証のための情報チャネルを提供する。 これらの類似チャンネルが、積極的に監査を覆そうとする相手に対して、どの程度計算を制限できるかは不明だ。 我々は、宣言された機械容量のごく一部として、パワートレースが除外できない最大の隠れ計算である$β$の閉形式を導出する。 NVIDIA A100 GPUの測定は、最悪の場合、$β=1.16$を制約し、対向的なマッチングエネルギー戦略は、少なくとも$β=0.41$の計算を隠すことが示されている。 そのため、アナログパワー測定だけでは計算が弱くなる。 脅威モデルによって与えられる追加の制限、例えば、検証者が観測された操作ポイントで宣言された作業を再実行できる機能、検証者は最大制限された場合、$β$を$0.059$まで押し下げる。 これにより、アナログ測定が計算検証にどのような寄与するかを定量的に見積もることができる。

関連論文リスト

• Can AI Oversight Be Zero Knowledge? [46.4827786582896]
  オラクル支援計算における対話型および議論によるAI出力の検証について検討する。 これらの研究は、計算よりもはるかに高速に実行される検証器による検証に焦点を当てている。 オラクルがそれぞれの回答に暗号署名を付けると、全てのオラクル支援計算がゼロの知識で検証可能であることを示す。
  論文  参考訳（メタデータ） (2026-10-01T16:30:16Z)
• PRIMUS: Identity, Governance, and Verification for Multi-Agent Federations [0.0]
  マルチエージェント・フェデレーションは、敵対的な条件下での3つの質問に答えるガバナンスを必要とする。 本稿では,BLSアグリゲートシグネチャと主パワーIDを結合したPRIMUSについて述べる。 PRIMAのバイナリアーティファクト-忠実性判定は、グレード付きフィットネス信号に変換できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-07T19:21:49Z)
• Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
  一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。 スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
  論文  参考訳（メタデータ） (2026-09-07T01:38:41Z)
• Workload Identification with Physical Side Channels for AI Governance [0.5013248430919224]
  外部オブザーバは、NVIDIA H200上で動作するワークロードのクラスを、そのパワードローから特定できることを示す。 推論としてトレーニングを偽装するために4つの回避策がテストされ、さらに680個の敵の痕跡が得られた。
  論文  参考訳（メタデータ） (2026-08-31T19:59:35Z)
• Search as Computation Allocation [52.080489413778]
  多くのアルゴリズムは、決定を返す前に内部リソースを使い、その端末出力の品質によってのみ評価される。 終端計算割当問題などの手順を定式化する。 ベルマン方程式は、固定予算の下での最適割り当て、価格計算、正確な認証を特徴付ける。
  論文  参考訳（メタデータ） (2026-07-30T08:45:14Z)
• Bit-Exact AI Inference Verification Without Performance Tradeoffs [0.0]
  カバー敵は、監視された計算において検証不可能な自由度を利用することができる。 現代の推論エンジンが決定論的だが不変ではない出力をいかに生み出すかを分析する。 ビットワイズな再計算は同一ハードウェアへのアクセスを必要としないことを示す。
  論文  参考訳（メタデータ） (2026-05-29T19:15:15Z)
• Who Audits the Auditor? Tamper-Proof Fraud Detection with Blockchain-Anchored Explainable ML [3.556355987197792]
  本稿では,ML予測とワークフロー実行の両方を,不変なブロックチェーン台帳にアンロックする不正検出システムを提案する。 ブロックチェーンを受動的ストレージとして使用するのではなく、スマートコントラクトを通じて承認プロセス全体を強制し、すべてのトランザクション、予測、説明がアトミックに記録され、遡及的に修正できないことを保証します。
  論文  参考訳（メタデータ） (2026-04-23T22:00:45Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• Contextual Combinatorial Bandits with Probabilistically Triggered Arms [55.9237004478033]
  確率的に誘発される腕(C$2$MAB-T)を様々な滑らかさ条件下で検討した。 トリガー変調 (TPM) 条件の下では、C$2$-UC-Tアルゴリズムを考案し、後悔すべき$tildeO(dsqrtT)$を導出する。
  論文  参考訳（メタデータ） (2023-03-30T02:51:00Z)
• Certification of Iterative Predictions in Bayesian Neural Networks [79.15007746660211]
  我々は、BNNモデルの軌道が与えられた状態に到達する確率に対して、安全でない状態の集合を避けながら低い境界を計算する。 我々は、制御と強化学習の文脈において、下限を用いて、与えられた制御ポリシーの安全性保証を提供する。
  論文  参考訳（メタデータ） (2021-05-21T05:23:57Z)

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。