論文の概要: Anytime Contracts for AI Services

• arxiv url: http://arxiv.org/abs/2610.22781v1
• Date: Fri, 16 Oct 2026 00:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.723092
• Title: Anytime Contracts for AI Services
• Title（参考訳）: AIサービスのための任意の契約
• Abstract要約: 契約理論は、高品質なアウトプットを報酬する支払いルールを設計することで道徳的ハザードに対処する。 フレキシビリティが標準契約を破り、プロバイダまたはユーザによる悪用にさらされることが示されています。 この問題をプリンシパル・アジェントゲームとして定式化し、この設定における予算最適契約は、任意の時効仮説テストに比例することを示す。
• 参考スコア（独自算出の注目度）: 15.969069700468205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI services are prone to moral hazard, as model providers can silently route requests to cheaper, lower-quality models, and the inherent stochasticity of model outputs makes this degradation hard to detect. Contract theory addresses moral hazard by designing payment rules that reward high-quality outputs and prevent strategic overcharging. However, existing frameworks assume interactions of fixed duration, whereas AI services are typically consumed through subscriptions and pay-as-you-go APIs that users can terminate at any time based on observed performance. We show that this flexibility can break standard contracts, opening them up to abuse by either the providers or users. To address this, we extend contract theory to account for unknown exit rules. We formalize the problem as a Principal-Agent game, and show that budget-optimal contracts in this setting are proportional to anytime-valid hypothesis tests based on likelihood-ratio e-values. We give an efficient algorithm for computing anytime contracts and show how betting e-processes can be used to approximate them when the models are unknown. Finally, we evaluate our findings on synthetic data and data from deployed LLMs.
• Abstract（参考訳）: モデルプロバイダは、要求を静かに低品質のモデルにルーティングできるため、AIサービスはモラルハザードになりがちです。 契約理論は、高品質なアウトプットを報酬し、戦略的過給を防ぐ支払いルールを設計することで、道徳的ハザードに対処する。 しかし、既存のフレームワークは一定期間のインタラクションを前提としていますが、AIサービスは一般的に、監視されたパフォーマンスに基づいて、ユーザがいつでも終了できるサブスクリプションと従量制のAPIを通じて消費されます。 この柔軟性は、標準契約を破り、プロバイダまたはユーザによって悪用される可能性があることを示しています。 これを解決するために、未知の出口規則を考慮に入れた契約理論を拡張した。 この問題を主エージェントゲームとして定式化し、この設定における予算最適契約は、確率比e-値に基づく任意の時間価仮説テストに比例することを示す。 我々は,任意の契約を計算するための効率的なアルゴリズムを提案し,そのモデルが未知である場合に,電子プロセスの賭けがどのように近似することができるかを示す。 最後に,LLMの合成データとデータについて検討した。

関連論文リスト

• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Adaptive Contracts for Cost-Effective AI Delegation [27.781569320588304]
  我々はAIデリゲートの適応契約を導入し、より詳細な評価を選択的に行えるようにした。 我々は、自然な仮定の下で最適な適応契約を計算するための効率的なアルゴリズムを提供する。 質問応答とコード生成データセットを用いて,非適応ベースラインに対する適応性の利点を実証的に実証した。
  論文  参考訳（メタデータ） (2026-03-17T23:31:01Z)
• 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)
• Examining the Effectiveness of Transformer-Based Smart Contract Vulnerability Scan [0.0]
  スマートコントラクトの脆弱性スキャンに対するディープラーニングに基づくアプローチを評価する。 本稿では,トランスフォーマを用いたスマートコートの脆弱性解析装置VASCOTを提案する。 VASCOTの性能は、最先端のLSTMベースの脆弱性検出モデルと比較される。
  論文  参考訳（メタデータ） (2026-01-12T09:00:42Z)
• 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)
• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Incentivizing Quality Text Generation via Statistical Contracts [7.303977308530667]
  品質をインセンティブ化するための,パフォーマンス向上のための契約ベースのフレームワークを提案する。 エージェントがコストのかかる推論を用いてテキストを生成するプリンシパルエージェントゲームについて検討する。 コストロスの契約は、コストを意識した契約に比べて、客観的価値の限界的な増加を犠牲にしています。
  論文  参考訳（メタデータ） (2024-06-17T00:30:58Z)
• A Bytecode-based Approach for Smart Contract Classification [10.483992071557195]
  ブロックチェーンプラットフォームにデプロイされるスマートコントラクトの数は指数関数的に増えているため、ユーザは手動のスクリーニングによって望ましいサービスを見つけることが難しくなっている。 スマートコントラクト分類に関する最近の研究は、契約ソースコードに基づく自然言語処理(NLP)ソリューションに焦点を当てている。 本稿では,これらの問題を解決するために,ソースコードの代わりにコントラクトバイトコードの特徴に基づく分類モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-31T03:00:29Z)

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。