arXiv cs.AI· Teruki Sano, Minoru Kuribayashi, Masao Sakai, Shuji Isobe, Eisuke Koizumi, Zhang Zhang, Satoru Matsumoto·· 9 天前AI 评分18
概率 AI 模型 TP-CRIV 的统计可分性刻画
Characterizing Statistical Separability in TP-CRIV for Probabilistic AI Models
AI 导读
研究刻画了概率 AI 模型在第三方挑战-响应身份验证（TP-CRIV）中的统计可分性，将匹配与非匹配证明者的逐挑战行为关联到验证级可分性，并说明独立挑战数与重复响应数如何影响检测性能。基于开放式挑战在 LLM 上的实验显示匹配与非匹配可分离、理论 AUC 与实测 AUC 高度吻合，且能一致估计达到目标 AUC 所需的最小验证预算。
正文 · AI 翻译
摘要：第三方挑战-响应身份验证（TP-CRIV）使独立验证者能够评估声称者是否拥有与远程部署模型相同的模型，而无需直接访问参考模型。然而，对于概率性 AI 模型，同一查询的重复执行可能产生不同的输出，从而产生不同的验证观察结果。这引出了一个问题：此类随机证据应如何累积，以及需要多少证据才能实现可靠验证。
在这项工作中，我们刻画了概率性 AI 模型 TP-CRIV 中的统计可分性。具体而言，我们将匹配与不匹配证明者的逐挑战行为与验证级可分性联系起来。该刻画明确描述了独立挑战数量和重复响应数量如何影响检测性能，并使得能够估计达到目标 AUC 所需的验证预算。我们使用开放式挑战为 LLM 实例化了所提出的刻画。实验展示了匹配与不匹配之间的分离、理论 AUC 与经验 AUC 之间的高度一致，以及对最小验证预算的一致估计。这些结果为将概率模型行为与验证级可分性以及第三方验证所需的证据联系起来提供了统计基础。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11163 [cs.CR] |
| （或 arXiv:2610.11163v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11163 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Teruki Sano [查看电子邮件]
[v1]
2026年10月8日星期四 03:22:59 UTC（1,884 KB）
来源：arXiv cs.AI · arxiv.org