新协议增强了机器学习模型审计的完整性，防止操纵

研究人员开发了一种新的机器学习模型审计协议，旨在防止提供商操纵评估过程。该协议利用私有信息检索（PIR）机制，允许审计员查询模型，而提供商不知道将审计哪些具体数据点。该方法被设计为高效、开销最小，并且不需要更改模型或其推理管道。理论保证和实验结果表明，通过迫使提供商伪造更多响应来隐藏不公平性，这种方法显著提高了操纵的可检测性。 AI

影响 通过使操纵更易于检测，增强了机器学习模型评估的可信度。

排序理由 该集群包含一篇详细介绍机器学习模型新审计协议的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• arXivLabs
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• private information retrieval
• ScienceCast

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →