arXiv · cs.AI· Teruki Sano, Minoru Kuribayashi, Masao Sakai, Shuji Isobe, Eisuke Koizumi, Zhang Zhang, Satoru Matsumoto·· 4 小时前
TP-CRIV刻画概率AI模型的统计可分性
Characterizing Statistical Separability in TP-CRIV for Probabilistic AI Models
arXiv:2610.11163v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Teruki Sano, Minoru Kuribayashi, Masao Sakai, Shuji Isobe, Eisuke Koizumi, Zhang Zhang, Satoru Matsumoto
研究任务与主要进展
作者研究第三方挑战—响应身份验证（TP-CRIV）中概率模型的可分性，建立了挑战级匹配与非匹配行为同验证级检测性能之间的关系。基于论文摘要，理论刻画显式描述独立挑战数和重复响应次数对检测性能及目标AUC所需验证预算的影响；开放式挑战的LLM实验显示，理论与经验AUC接近，并给出一致的最低验证预算估计。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org