该论文研究在测试结果可能被不诚实测试者恶意扭曲的情况下，如何设计最优测试策略以恢复真实测试结果。现实中的考试、评估等场景常面临作弊或对抗性行为，随着AI技术发展，利用AI作弊的现象愈发普遍和严重，导致测试结果的可靠性受到威胁。作者将测试问题建模为对抗性场景，提出通过动态规划方法确定最优的重测策略：策略会从全体测试者中选取特定子集，采用不同安全等级或不同方式的测试手段进行重新测试，从而在存在污染数据的情况下仍能准确估计真实能力或质量指标。论文的核心贡献是给出了一个在对抗性环境下获取诚实测试结果的理论框架和算法，能够权衡测试成本与准确性。该研究属于博弈论与统计信号处理的交叉领域，对安全相关的评估、认证、红队测试等场景具有理论参考价值。适合从事AI安全评估、对抗鲁棒性研究、博弈论应用的研究人员阅读。