SCARCE：基于嵌入的可扩展级联分析用于稀有事件表征

研究者提出 SCARCE，用学习到的潜在表示和几何标尺替代手工性能函数，以估计稀有事件概率。该方法通过自适应阈值直接从数据构造嵌套中间事件，并用非负超鞅给出在早停条件下仍成立的高概率上界。在 MNIST 误分类任务上，SCARCE 的平均绝对误差比网格搜索的传统子集模拟低约 400–500 倍，并消除了系统性过计数。研究还在 fleet-level 威胁模型下考察 PAIR 风格 LLM 越狱：在 Llama-Guard-3-8B 隐状态上，基于 PCA 的标尺在 η≥10^-3 时平均相对误差为 2.6%，对照的有限样本参考平均 bootstrap 相对半宽为 27.9%；重新校准后迁移到 GCG 风格语料，相对误差为 2.93%。方向性准则 KL(p_good||p_bad) 与估计误差的排序一致（Spearman ρ=0.83）。