論文の概要: Same Data, Different Bytes: Serialization-Invariant Integrity Checks for Agent-Published Datasets

• arxiv url: http://arxiv.org/abs/2610.24916v1
• Date: Sat, 17 Oct 2026 23:26:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:09:14.398783
• Title: Same Data, Different Bytes: Serialization-Invariant Integrity Checks for Agent-Published Datasets
• Title（参考訳）: 同一データ, 異なるバイト: エージェント公開データセットのシリアライゼーション-不変積分チェック
• Abstract要約: エージェントネットワークは、データがどこにあるか、どのようにアクセス可能か、受信したデータがデータ所有者が利用可能なものと一致するかどうかを、信頼性の高い検証方法を必要とする。 DataFactsのようなエージェントのデータ識別メカニズムは、データがどこにアクセスできるかを記述し、公開された参照に対して受信したデータをチェックする識別子を提供する。 明示的な規則の下で等価なデータ表現に同一を割り当てるシリアライズ不変な識別法を提案する。
• 参考スコア（独自算出の注目度）: 14.938829252914493
• License:
• Abstract: Agent networks require reliable ways for requesting agents to verify where data is located, how it can be accessed, and whether the data received matches what the data owner made available. Checksum mismatches can reflect either altered content or serialization differences that preserve data equivalence under specified rules. Data identification mechanisms for agents, such as DataFacts, describe where data can be accessed and provide checksums for checking received data against published references. We propose a serialization-invariant identification method that assigns the same identifier to data representations equivalent under explicit rules. We use DataFacts as a case study, retaining its existing checksum alongside the proposed identifier. In a controlled agent study, we compare the proposed configuration with ordinary-tool and checksum baselines across equivalent re-encodings, altered content, and unavailable references. The study includes three model tiers from each of two providers. For equivalent re-encodings, the proposed configuration increased expected-outcome rates by 80.4 percentage points over the ordinary-tool baseline and by 70.2 percentage points over the checksum baseline. The proposed configuration also increased evidence-supported rejection of altered content by 3.5 percentage points over the checksum baseline. We contribute a serialization-invariant identification method with explicit equivalence rules, an integration approach illustrated through DataFacts, and an empirical evaluation against ordinary-tool and checksum baselines.
• Abstract（参考訳）: エージェントネットワークは、エージェントにデータの位置、アクセス方法、受信したデータがデータ所有者が利用可能なものと一致するかどうかを確認するための信頼性の高い方法を要求する。 チェックサムミスマッチは、指定されたルールの下でデータ等価性を保持する、変更内容またはシリアライズの違いを反映することができる。 DataFactsのようなエージェントのデータ識別メカニズムは、データがどこにアクセスできるかを記述し、公開された参照に対して受信したデータをチェックするためのチェックサムを提供する。 明示的な規則の下で等価なデータ表現に同一の識別子を割り当てるシリアライズ不変の識別法を提案する。 ケーススタディとしてDataFactsを使用し、提案された識別子とともに既存のチェックサムを保持します。 制御されたエージェントスタディでは,提案した構成と通常のツール,チェックサムベースラインを比較し,等価な再エンコーディング,変更内容,利用できない参照を比較検討した。 調査には、2つのプロバイダそれぞれから3つのモデルティアが含まれている。 等価な再符号化では、提案された構成により、通常のツールベースラインで80.4ポイント、チェックサムベースラインで70.2ポイント、期待アウトカムレートが向上した。 提案した構成は、チェックサムベースライン上の変更内容の証拠支持拒否率を3.5ポイント向上させた。 本研究では,有意な同値規則を持つ直列化不変同定法,DataFactsによる統合手法,および通常のツールとチェックサムのベースラインに対する実証的な評価を行う。

関連論文リスト

• Testing and Verification of Quantum Compilers through Assurance Contracts and Evidence [0.25489046505746704]
  この調査は、検証済みの変換、等価チェック、差分および変成テスト、プロパティベースのテスト、およびリビジョン間の保証の証拠を比較します。 記録されたカバレッジ更新とソースレベルの選択決定は、レビューを宣言されたスコープ内で監査可能にする。
  論文  参考訳（メタデータ） (2026-09-24T01:24:49Z)
• Agentic Witnessing: Pragmatic and Scalable TEE-Enabled Privacy-Preserving Auditing [0.0]
  我々は,検証を実行から推論へ移行するフレームワークであるエージェント・ウィットネス(Agentic Witnessing)を提案する。 システムは3つのエージェントで構成されている: 検証者(データセットのプロパティをチェックしたい)、プロバー(データセットを所有している)、監査者(データセットを検査する)。 TEE(Trusted Execution Environment)内でLLMベースの監査者を分離することにより、Verifierは生のデータセットを公開することなく、単純なクエリを通じてProverのプライベートデータをクエリすることができる。
  論文  参考訳（メタデータ） (2026-04-27T09:07:15Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• DREW : Towards Robust Data Provenance by Leveraging Error-Controlled Watermarking [58.37644304554906]
  誤り訂正符号と透かしを用いたデータ検索法(DREW)を提案する。 DREWはランダムに参照データセットをクラスタ化し、各クラスタに独自のエラー制御された透かしキーを注入する。 関連するクラスタを特定した後、最も正確な一致を見つけるために、クラスタ内に埋め込みベクトル類似性検索を行う。
  論文  参考訳（メタデータ） (2024-06-05T01:19:44Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• Contextualised Out-of-Distribution Detection using Pattern Identication [0.0]
  CODEは、説明可能なAIの分野からの既存の作業の拡張である。 クラス固有の繰り返しパターンを特定して、堅牢なOut-of-Distribution(OoD)検出方法を構築する。
  論文  参考訳（メタデータ） (2023-10-24T07:55:09Z)

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。