論文の概要: Trust Mechanisms for Offline Generative AI at the Edge: A Connectivity-Regime Framework and an Empirical Study on a Raspberry Pi 5
- arxiv url: http://arxiv.org/abs/2610.33732v1
- Date: Sat, 24 Oct 2026 15:23:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.430709
- Title: Trust Mechanisms for Offline Generative AI at the Edge: A Connectivity-Regime Framework and an Empirical Study on a Raspberry Pi 5
- Title（参考訳）: エッジにおけるオフライン生成AIの信頼メカニズム:コネクティビティ・レジーム・フレームワークとRaspberry Pi 5に関する実証的研究
- Abstract要約: ジェネレーティブAIと大規模言語モデル(LLM)がモノのインターネットに移行しつつある。
ほとんどのデプロイメントはクラウド接続を前提としており、多くのIoT設定は断続的、制限的、あるいは接続不能である。
提案するコネクティビティ・レジーム・フレームワーク (C0-C4) は, 推論時信頼機構の分類法であり, 署名されたバージョン付き知識パックである。
- 参考スコア（独自算出の注目度）: 45.88028371034407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI and large language models (LLMs) are moving into the Internet of Things, yet most deployments assume cloud connectivity, and many IoT settings have intermittent, restricted, or no connectivity. We propose a connectivity-regime framework (C0-C4), a taxonomy of inference-time trust mechanisms, and signed, versioned knowledge packs as the update channel for disconnected regimes, and evaluate them on a Raspberry Pi 5 running fully local retrieval-augmented generation under network isolation, with three Qwen2.5 model sizes, three context sizes, and 300 SQuAD 2.0 questions. An empirically calibrated retrieval-score gate detects knowledge gaps almost perfectly (AUROC 0.97) but in-topic unanswerable questions poorly (0.68). A deterministic output validator converts malformed outputs into explicit abstentions with no observed loss of correct answers, while the NLI-based verifier we tested adds little; for the 7B model, 96% of substantive answers to unanswerable-labelled questions match normalized spans of the retrieved passages. A 3B model achieves the same gold-answer containment rate as a 7B model at less than half the latency and estimated energy, although the 7B model far more often exceeds a token-F1 threshold of 0.5; five retrieved passages lower correctness from 75% to 52% compared with three. Verifying a signed pack takes about 4.5 ms versus about 29 min for embedding its passages on the device; signature and hash checks alone accept six of nine tested update attacks that layered verification rejects. Yet a validly signed poisoned pack passes every pack check: on 30 previously correct questions, correct answers drop to zero and 14 return the injected answer. None of the mechanisms we evaluated establishes the truth of the evidence. We release code and data.
- Abstract（参考訳）: 生成AIと大規模言語モデル(LLM)はモノのインターネットに移行しつつあるが、ほとんどのデプロイメントはクラウド接続を前提としており、多くのIoT設定は断続的、制限的、あるいは接続不能である。
本稿では,ネットワークアイソレーション下で完全局所検索拡張世代を実行するRaspberry Pi 5上で,3つのQwen2.5モデルサイズ,3つのコンテキストサイズ,300のSQuAD 2.0質問に対して評価を行った。
経験的に校正された検索スコアゲートは、知識ギャップをほぼ完全に検出する(AUROC 0.97)が、トピック内不問(0.68)は不十分である。
決定論的出力検証器は, 不正な出力を, 正しい解が得られない明示的な棄却に変換する一方, NLIベースの検証器では, 7Bモデルでは, 解答不能な問合せに対する解答の96%が, 解答の正規化と一致している。
3Bモデルは、レイテンシと推定エネルギーの半分未満で、7Bモデルと同じゴールド・アンサー・エンクルーメント率を達成するが、7Bモデルはトークン-F1しきい値0.5を超えることが多い。
署名されたパックを検証するには、デバイスにパスを埋め込むのに約4.5ミリ秒か29ミリ秒かかる。
しかし、正当に署名された有毒パックは、すべてのパックチェックをパスする。30の事前の正しい質問では、正しい回答がゼロに落ち、14が注入された回答を返す。
我々が評価したメカニズムはどれも証拠の真理を定めていない。
コードとデータをリリースします。
関連論文リスト
- The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering [45.13402271651419]
モデルがラインレベルの引用で答えを返すことを要求するエビデンスベースの生成と、正解と接点を同時にスコアするAns+Evidメトリックを導入する。
我々は2つのコーパスをエビデンス付きマルチドキュメントQAベンチマーク(MultiHop-RAGとQASPER-MP)に再構成する。
論文 参考訳（メタデータ） (2026-10-18T09:10:42Z) - Fast Models, Slow Evidence: A Paired and Self-Audited Evaluation of System-1 Decision Models for LLM Agent Harnesses [6.778374627376906]
System-1決定モデルは、クラス確率で単一のフォワードパスでそのような質問に答える。
オープンウェイト (Laya) モデルとホスト (Jev) System-1 モデルとのペア評価を行った。
論文 参考訳（メタデータ） (2026-10-01T05:57:14Z) - From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳（メタデータ） (2026-09-29T17:49:07Z) - Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。
我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
論文 参考訳（メタデータ） (2026-09-27T13:01:02Z) - IndustryLLM: Failure-Driven LLM Training for Industrial Procurement [23.16792281057296]
工業的調達は、非公式な買い手ジャーゴンとスパースマーケットの属性を橋渡しするために言語モデルを必要とする。
本稿では,Qwen3.5-35B-A3Bベースから学習したオープンウェイトな産業用言語モデルであるIndustrialLLMを紹介する。
論文 参考訳（メタデータ） (2026-09-25T18:11:01Z) - NovaFabric: Tamper-Evident, Replayable Evidence for Autonomous AI Agent Runs [0.0]
我々はNovaFabricを紹介し、監査グレードの実行証拠を作成している。
エージェントロジックを変更することなく実行中のエージェントを、ポータブルなRun Capsuleに記録する。
シードランは4モードのリプレイプロトコルで再実行可能である。
我々は8つの研究課題を測定範囲で評価した。
論文 参考訳（メタデータ） (2026-09-11T08:35:43Z) - SIDE: Sensor Impersonation Detection at the Edge via Sequence Prediction [0.0]
低コストのIoT(Internet of Things)センサーデプロイメントには、デバイスレベルのソース認証がないものもある。
概念実証研究において,センサ・インモーフィケーション検出のための軽量なアプローチを提案する。
論文 参考訳（メタデータ） (2026-09-05T21:46:07Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - Probing for Knowledge Attribution in Large Language Models [45.47366023067617]
大規模言語モデル(LLM)は、しばしば流動的だが根拠のないクレームや幻覚を生成する。
適切な緩和は、モデルの答えがプロンプトまたは内部の重みに基づいているかどうかを知ることに依存する。
モデル隠れ表現に基づいて訓練された単純な線形分類器であるプローブは、帰納的帰属を確実に予測できることを示す。
論文 参考訳（メタデータ） (2026-02-26T09:21:12Z) - DeepBridge: A Unified and Production-Ready Framework for Multi-Dimensional Machine Learning Validation [0.0]
DeepBridgeは80Kline Pythonライブラリで、バリデーション、自動コンプライアンス検証知識蒸留、合成データ生成を統合する。
DeepBridge: 検証時間を89%削減する(断片化されたツールで150分に対して150分)。
論文 参考訳（メタデータ） (2025-12-18T01:32:32Z)
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。