通过选择性审计实现可靠的 AI 辅助决策

论文研究对连续输出决策的 AI 系统进行在线监控：每轮系统给出决策及可信度分数，决策与分数可来自不同模型（如一个 Agent 提议、另一个验证器打分），据此决定自动接受还是请专家审计。作者将其建模为在线约束优化问题，在未审计错误比例不超过用户设定阈值的前提下最小化审计频率，并推导出无需假设、具备可证明错误控制保证的算法族，其中一种方法在审计频率上达到最优。

AI推荐理由 arXiv 论文提出选择性审计框架：AI 系统每轮输出决策与置信分（可由不同模型给出），据此决定自动接受还是交由专家审计，目标是在保证未审计错误率低于用户设定阈值的前提下最小化审计频率，并给出无假设的可证明错误控制算法族。问题设定清晰、有理论保证，对 Agent 验证与人在回路部署有直接参考价值；摘要未给出实验规模细节。