研究者提出带任意时有效保证的AI自适应审计框架

Siyu Zhou 等（UCSF 等机构）作者发布论文，提出一种基于 Safe Anytime-Valid Inference（SAVI）的生成式 AI 系统自适应审计假设检验框架，已投稿至 2026 年 NeurIPS 会议。 该框架从两个相互“对决”的零假设建模审计过程：模型零假设断言不存在性能低于目标阈值的失败模式，审计者零假设断言审计者拥有能发现失败模式的采样策略。审计被形式化为“以打赌做检验”，转化为同时对两个零假设进行检验的 e-process。论文称该方法具有 anytime-valid 保证，可在审计过程中任意时点停止，有时仅需约 20 个观测即可得到统计上严格的结论。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。