論文の概要: A PRISMA-driven systematic mapping study on system assurance weakeners
- arxiv url: http://arxiv.org/abs/2311.08328v1
- Date: Tue, 14 Nov 2023 17:17:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 13:14:26.855010
- Title: A PRISMA-driven systematic mapping study on system assurance weakeners
- Title(参考訳): PRISMAによるシステム保証弱化器の系統地図化に関する研究
- Authors: Kimya Khakzad Shahandashti, Alvine B. Belle, Timothy C. Lethbridge,
Oluwafemi Odu, Mithila Sivakumar
- Abstract要約: 我々は、保証弱体化に関する最初の総合的な体系地図研究を開始することを目的としている。
5つのデジタル図書館における初等研究を検索し,2012~2023年の出版範囲に着目した。
我々の選択基準は、モデリングレベルでの保証弱体化に対処する研究に焦点を当てた。
- 参考スコア(独自算出の注目度): 0.8493449152820131
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Context: An assurance case is a structured hierarchy of claims aiming at
demonstrating that a given mission-critical system supports specific
requirements (e.g., safety, security, privacy). The presence of assurance
weakeners (i.e., assurance deficits, logical fallacies) in assurance cases
reflects insufficient evidence, knowledge, or gaps in reasoning. These
weakeners can undermine confidence in assurance arguments, potentially
hindering the verification of mission-critical system capabilities.
Objectives: As a stepping stone for future research on assurance weakeners,
we aim to initiate the first comprehensive systematic mapping study on this
subject. Methods: We followed the well-established PRISMA 2020 and SEGRESS
guidelines to conduct our systematic mapping study. We searched for primary
studies in five digital libraries and focused on the 2012-2023 publication year
range. Our selection criteria focused on studies addressing assurance weakeners
at the modeling level, resulting in the inclusion of 39 primary studies in our
systematic review.
Results: Our systematic mapping study reports a taxonomy (map) that provides
a uniform categorization of assurance weakeners and approaches proposed to
manage them at the modeling level.
Conclusion: Our study findings suggest that the SACM (Structured Assurance
Case Metamodel) -- a standard specified by the OMG (Object Management Group) --
may be the best specification to capture structured arguments and reason about
their potential assurance weakeners.
- Abstract(参考訳): コンテキスト: 保証ケースは、特定のミッションクリティカルなシステムが特定の要件(例えば、安全性、セキュリティ、プライバシ)をサポートすることを示すためのクレームの構造的な階層である。
保証事件における保証の弱体化(すなわち、保証不足、論理的誤信)の存在は、推論における不十分な証拠、知識またはギャップを反映している。
これらの弱体化は保証議論の信頼性を損なう可能性があり、ミッションクリティカルなシステム能力の検証を妨げる可能性がある。
目的: 今後の保証弱体化研究の足掛かりとして, 本課題に関する包括的系統図研究を初めて開始することを目的とする。
方法: 確立されたprisma 2020とsegressガイドラインに従い,システマティックマッピング研究を行った。
5つのデジタル図書館における初等研究を検索し,2012~2023年の出版範囲に着目した。
我々の選択基準は, モデリングレベルでの弱みの確保に取り組む研究に焦点をあて, 39の一次研究を体系的レビューに含めた。
結果: 系統地図調査では, モデルレベルでの保証弱体化とそれを管理するためのアプローチを均一に分類した分類(マップ)を報告した。
結論:本研究の結果から,OMG(Object Management Group)の規格であるSACM(Structured Assurance Case Metamodel)が,構造化された議論を捉え,その潜在的な保証の弱体化を推論する最善の仕様である可能性が示唆された。
関連論文リスト
- Unveiling the Misuse Potential of Base Large Language Models via In-Context Learning [61.2224355547598]
大規模言語モデル(LLM)のオープンソース化は、アプリケーション開発、イノベーション、科学的進歩を加速させる。
我々の調査は、この信念に対する重大な監視を露呈している。
我々の研究は、慎重に設計されたデモを配置することにより、ベースLSMが悪意のある命令を効果的に解釈し実行できることを実証する。
論文 参考訳(メタデータ) (2024-04-16T13:22:54Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - Privacy Impact Assessments in the Wild: A Scoping Review [1.7677916783208343]
プライバシ・インパクト・アセスメント(PIAs)は、プロジェクトやシステムのプライバシ・インパクトを評価するための体系的なプロセスを提供する。
PIAは、設計によるプライバシに対する主要なアプローチの1つであり、脅威とコントロールの早期識別をサポートする。
質的かつ定量的な、このトピックに関するより基本的な研究には、依然として大きなニーズがある。
論文 参考訳(メタデータ) (2024-02-17T05:07:10Z) - A Survey on Safe Multi-Modal Learning System [10.914595812695218]
マルチモーダル学習システム(MMLS)は、様々なモーダル入力から情報を処理し統合する能力で注目を集めている。
安全に関する体系的な研究が欠如していることは、この分野の進歩にとって重要な障壁である。
MMLSの安全性を体系的に分類し評価する最初の分類法を提案する。
論文 参考訳(メタデータ) (2024-02-08T02:27:13Z) - Prioritizing Safeguarding Over Autonomy: Risks of LLM Agents for Science [67.38554763406098]
大規模言語モデル(LLM)を利用したインテリジェントエージェントは、自律的な実験を行い、様々な分野にわたる科学的発見を促進する上で、大きな可能性を証明している。
彼らの能力は有望だが、安全を慎重に考慮する必要がある新たな脆弱性も導入している。
本稿では,科学領域におけるLSMをベースとしたエージェントの脆弱性の徹底的な調査を行い,その誤用に伴う潜在的なリスクに光を当て,安全性対策の必要性を強調した。
論文 参考訳(メタデータ) (2024-02-06T18:54:07Z) - Measuring Equality in Machine Learning Security Defenses: A Case Study
in Speech Recognition [56.69875958980474]
この研究は、学習したシステムを守るためのアプローチと、異なるサブ人口間でのセキュリティ防衛がパフォーマンス上の不平等をもたらす方法を検討する。
提案された多くの手法は、虚偽の拒絶やロバストネストレーニングの不平等といった直接的な害を引き起こす可能性がある。
本稿では, ランダム化スムースメントとニューラルリジェクションの2つの防御法の比較を行い, マイノリティ集団のサンプリング機構により, ランダム化スムースメントがより公平であることを見出した。
論文 参考訳(メタデータ) (2023-02-17T16:19:26Z) - Offline Reinforcement Learning with Instrumental Variables in Confounded
Markov Decision Processes [93.61202366677526]
未測定の共同設立者を対象にオフライン強化学習(RL)について検討した。
そこで本稿では, 最適クラスポリシーを見つけるための, 有限サンプルの準最適性を保証した多種多様なポリシー学習手法を提案する。
論文 参考訳(メタデータ) (2022-09-18T22:03:55Z) - Integrating Testing and Operation-related Quantitative Evidences in
Assurance Cases to Argue Safety of Data-Driven AI/ML Components [2.064612766965483]
将来的には、AIは人間の身体に害を与える可能性のあるシステムに、ますます浸透していくだろう。
このような安全クリティカルなシステムでは、その残留リスクが許容範囲を超えないことが証明されなければならない。
本稿では,目標達成のためのより包括的な議論構造を提案する。
論文 参考訳(メタデータ) (2022-02-10T20:35:25Z) - Reliability Assessment and Safety Arguments for Machine Learning
Components in Assuring Learning-Enabled Autonomous Systems [19.65793237440738]
LES(Learning-Enabled Systems)のための総合保証フレームワークを提案する。
次に、ML分類器のための新しいモデルに依存しない信頼性評価モデル(RAM)を提案する。
モデル仮定と、我々のRAMが発見したML信頼性を評価するための固有の課題について論じる。
論文 参考訳(メタデータ) (2021-11-30T14:39:22Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳(メタデータ) (2021-03-07T03:10:32Z) - Adversarial Attacks against Face Recognition: A Comprehensive Study [3.766020696203255]
顔認識(FR)システムは優れた検証性能を示した。
近年の研究では、(深い)FRシステムは、知覚できない、または知覚できないが自然に見える対向的な入力画像に興味深い脆弱性を示すことが示されている。
論文 参考訳(メタデータ) (2020-07-22T22:46:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。