論文の概要: Characterizing Statistical Separability in TP-CRIV for Probabilistic AI Models

• arxiv url: http://arxiv.org/abs/2610.11163v2
• Date: Wed, 14 Oct 2026 04:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:14.994741
• Title: Characterizing Statistical Separability in TP-CRIV for Probabilistic AI Models
• Title（参考訳）: 確率的AIモデルにおけるTP-CRIVの統計的分離性の評価
• Abstract要約: 第三者のチャレンジ・レスポンス・アイデンティティ検証(TP-CRIV)により、クレームが参照モデルに直接アクセスすることなく、リモートでデプロイされたモデルと同一のモデルを持っているかどうかを独立検証できる。 このことは、そのような証拠がどうやって蓄積されるべきか、確実な検証にどの程度の証拠が必要かという疑問を提起する。 本研究では確率的AIモデルのTP-CRIVにおける統計的分離性を特徴付ける。
• 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: Third-party challenge-response identity verification (TP-CRIV) enables an independent verifier to assess whether a claimant possesses a model identical to a remotely deployed model without directly accessing the reference model. However, for probabilistic AI models, repeated executions of the same query may produce different outputs and therefore different verification observations. This raises the question of how such stochastic evidence should be accumulated and how much evidence is required for reliable verification. In this work, we characterize statistical separability in TP-CRIV of probabilistic AI models. Specifically, we relate challenge-wise behavior of matching and non-matching provers to verification-level separability. The characterization explicitly describes how the numbers of independent challenges and repeated responses affect detection performance and enables the verification budget required for a target AUC to be estimated. We instantiate the proposed characterization for LLMs using open-ended challenges. The experiments demonstrate matching-non-matching separation, close agreement between theoretical and empirical AUCs, and consistent estimates of the minimum verification budgets. These results provide a statistical basis for relating probabilistic model behavior to verification-level separability and the evidence required for third-party verification.
• Abstract（参考訳）: 第三者のチャレンジ・レスポンス・アイデンティティ検証(TP-CRIV)により、クレームが参照モデルに直接アクセスすることなく、リモートでデプロイされたモデルと同一のモデルを持っているかどうかを独立検証できる。 しかしながら、確率的AIモデルでは、同じクエリの繰り返し実行は異なる出力を生成し、したがって異なる検証観察を生成する可能性がある。 このことは、そのような確率的証拠がどうやって蓄積されるべきか、信頼できる検証にどの程度の証拠が必要かという疑問を提起する。 本研究では確率的AIモデルのTP-CRIVにおける統計的分離性を特徴付ける。 具体的には、マッチングと非マッチングプロバーのチャレンジワイドな動作と検証レベルの分離性を関連づける。 この特徴は、独立課題の数と繰り返し応答が検出性能にどのように影響するかを明確に記述し、ターゲットAUCに必要な検証予算を見積もることができる。 オープンエンド課題を用いたLCMのキャラクタリゼーションを提案する。 実験では、一致しない分離、理論的および実証的なAUC間の密接な一致、最小の検証予算の一貫性のある見積もりを実証した。 これらの結果は、確率的モデルの振る舞いと検証レベルの分離性と、第三者による検証に必要な証拠とを関連付ける統計的基盤を提供する。

関連論文リスト

• TP-CRIV: A Framework for Third-Party Challenge-Response Identity Verification of AI Models [2.5494170736545034]
  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。
  論文  参考訳（メタデータ） (2026-09-24T09:03:48Z)
• Empirical Characterization of Rationale Stability Under Controlled Perturbations for Explainable Pattern Recognition [0.876171257490837]
  モデル説明の整合性を評価するための新しい指標を提案する。 我々は,SST-2感情分析データセット上で,事前学習したBERTモデルを用いて,この指標を実装した。 モデル説明における誤一致予測と矛盾を識別する能力を評価する。
  論文  参考訳（メタデータ） (2026-04-06T06:05:21Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Claim-Dissector: An Interpretable Fact-Checking System with Joint Re-ranking and Veracity Prediction [4.082750656756811]
  本稿では,ファクトチェックと分析のための新しい潜在変数モデルであるCrim-Dissectorを提案する。 検証可能な方法で、証拠ごとの関連性確率とその最終的な妥当性確率への寄与を解き明かす。 その解釈可能な性質にもかかわらず、私たちのシステムはFEVERデータセットの最先端と競合する。
  論文  参考訳（メタデータ） (2022-07-28T14:30:06Z)

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。