跳到主要内容
检索

Teruki Sano

3 篇关联报道

订阅更新
  1. arXiv

    研究者刻画TP-CRIV中概率性AI模型的统计可分性,并可由挑战数与重复响应估算达到目标AUC所需的验证预算

    该工作刻画了概率性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与验证层面的可分性联系起来,显式描述独立挑战数与重复响应数如何影响检测性能,并据此估算达到目标AUC所需的验证预算;作者以开放式挑战在LLM上实例化该刻画,实验显示匹配与非匹配之间存在分离、理论AUC与经验AUC接近一致,且最小验证预算估计稳定。

  2. IEEE Access

    TP-CRIV 让无白盒无 API 的第三方仅凭黑盒推理接口就能对 AI 模型做挑战—响应身份核验

    该工作提出第三方挑战—响应身份验证框架 TP-CRIV,针对验证者既无白盒也无 API 访问、只能通过可疑部署服务的普通黑盒推理接口交互、且不需要服务提供方协议配合的场景,在全新未披露要求与网络隔离下获取经验证据,判断声称方是否本地拥有符合预先声明身份的模型;作者用基于概率控制的见证生成方法为 CNN 图像分类器实例化该框架,在十个 ImageNet 预训练 TorchVision 模型上实验,显示清晰的同模型/跨模型分离,并可用独立校准的阈值实现有限次挑战的验证。

  3. IEEE Access

    TP-CRIV 提出第三方挑战—应答身份验证框架,在十个 ImageNet 预训练 TorchVision 模型上实现同模型与跨模型的可分离验证

    该工作提出面向 AI 模型的第三方挑战—应答身份验证框架 TP-CRIV,在验证者既无白盒也无 API 访问、只能通过可疑部署服务的普通黑盒推理接口交互、且不需要服务提供方协议配合的条件下,通过全新未披露的挑战与网络隔离获取经验证据,判断声称方是否本地拥有与所部署模型相符的预声明身份;作者以基于概率控制的见证生成方法为 CNN 图像分类器实例化该框架,并在十个 ImageNet 预训练 TorchVision 模型上展示了清晰的同模型/跨模型分离以及使用独立校准阈值的有限挑战次数验证。

已读完全部报道