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。
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。
已读完全部报道