論文の概要: Machine Learning-Based Cloud Computing Compliance Process Automation

• arxiv url: http://arxiv.org/abs/2502.16344v1
• Date: Sat, 22 Feb 2025 20:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:58:49.895579
• Title: Machine Learning-Based Cloud Computing Compliance Process Automation
• Title（参考訳）: 機械学習ベースのクラウドコンピューティングコンプライアンスプロセス自動化
• Authors: Yuqing Wang, Xiao Yang,
• Abstract要約: 本稿では,クラウドコンピューティングのコンプライアンスプロセスを自動化するための,機械学習に基づく新しいフレームワークを提案する。 提案フレームワークは、BERTベースの文書処理(94.5%精度)、異常検出のためのワンクラスSVM(88.7%精度)、逐次コンプライアンスデータ解析のための改良されたCNN-LSTM(90.2%精度)を含む、複数の機械学習技術を統合する。 大手証券会社の現実の展開がこれらの結果を検証し、リスク識別の94.2%の精度で80,000日の取引を処理した。
• 参考スコア（独自算出の注目度）: 11.657154571216234
• License:
• Abstract: Cloud computing adoption across industries has revolutionized enterprise operations while introducing significant challenges in compliance management. Organizations must continuously meet evolving regulatory requirements such as GDPR and ISO 27001, yet traditional manual review processes have become increasingly inadequate for modern business scales. This paper presents a novel machine learning-based framework for automating cloud computing compliance processes, addressing critical challenges including resource-intensive manual reviews, extended compliance cycles, and delayed risk identification. Our proposed framework integrates multiple machine learning technologies, including BERT-based document processing (94.5% accuracy), One-Class SVM for anomaly detection (88.7% accuracy), and an improved CNN-LSTM architecture for sequential compliance data analysis (90.2% accuracy). Implementation results demonstrate significant improvements: reducing compliance process duration from 7 days to 1.5 days, improving accuracy from 78% to 93%, and decreasing manual effort by 73.3%. A real-world deployment at a major securities firm validated these results, processing 800,000 daily transactions with 94.2% accuracy in risk identification.
• Abstract（参考訳）: 業界全体にわたるクラウドコンピューティングの採用は、コンプライアンス管理における大きな課題を導入しながら、エンタープライズオペレーションに革命をもたらした。 組織は、GDPRやISO 27001のような進化を続ける規制要件を継続的に満たさなければならないが、従来の手作業によるレビュープロセスは、現代のビジネス規模ではますます不十分になっている。 本稿では、クラウドコンピューティングのコンプライアンスプロセスを自動化し、リソース集約的なマニュアルレビュー、拡張されたコンプライアンスサイクル、遅延リスク識別などの重要な課題に対処する機械学習ベースの新しいフレームワークを提案する。 提案フレームワークは、BERTベースの文書処理(94.5%精度)、異常検出のためのワンクラスSVM(88.7%精度)、シーケンシャルコンプライアンスデータ解析のための改良されたCNN-LSTMアーキテクチャ(90.2%精度)を含む、複数の機械学習技術を統合する。 実施結果は、コンプライアンスプロセスの期間を7日から1.5日に短縮し、精度を78%から93%に改善し、手作業の労力を73.3%削減した。 大手証券会社の現実の展開がこれらの結果を検証し、リスク識別の94.2%の精度で80,000日の取引を処理した。

関連論文リスト

• Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics [0.0]
  本稿では,拡張量子回帰ニューラルネットワーク(EQRNN)を中心に,新しい予測保守フレームワークを提案する。 先進的なニューラルネットワークを組み合わせたハイブリッドアプローチによる早期障害検出の課題に対処する。 計算効率を維持しながら複雑なマルチモーダルセンサーデータを処理する上でのこのフレームワークの有効性は、産業用4.0の製造環境への適用性を検証する。
  論文  参考訳（メタデータ） (2025-01-09T09:11:40Z)
• Industrial Machines Health Prognosis using a Transformer-based Framework [0.0]
  本稿では、Transformer Quantile Regression Neural Networks(TQRNN)を紹介する。 TQRNNは、製造コンテキストにおけるリアルタイムマシン障害予測のための、新しいデータ駆動ソリューションである。 その結果,機械故障の予測に1時間リード時間を用い,精度が70.84%となるモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-05T18:47:05Z)
• AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
  LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。 以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-02T13:24:30Z)
• Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
  Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。 Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
  論文  参考訳（メタデータ） (2024-11-01T14:27:16Z)
• iFuzzyTL: Interpretable Fuzzy Transfer Learning for SSVEP BCI System [24.898026682692688]
  本研究では,解釈可能なファジィ変換学習(iFuzzyTL)を利用した高度な分類手法について検討する。 iFuzzyTLは、ファジィ推論システムとアテンション機構を統合することで、人間の解釈可能な形式で入力信号処理と分類を洗練する。 モデルの有効性は3つのデータセットで示される。
  論文  参考訳（メタデータ） (2024-10-16T06:07:23Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Privacy Adhering Machine Un-learning in NLP [66.17039929803933]
  現実の業界では、機械学習を使ってユーザデータに基づくモデルを構築します。 このような委任事項には、データだけでなく、モデルの再トレーニングにも労力が要る。 データの継続的な削除と モデル再訓練のステップはスケールしません この課題に対処するために、textitMachine Unlearningを提案する。
  論文  参考訳（メタデータ） (2022-12-19T16:06:45Z)
• On The Reliability Of Machine Learning Applications In Manufacturing Environments [7.467244761351822]
  信頼性のあるシステムを構築するには、マシンラーニングのパフォーマンスの継続的オンライン監視が必要である。 概念とセンサーのドリフトは アルゴリズムの精度を低下させる また, 機械学習アルゴリズムのロバスト性を評価し, 全試験アルゴリズムのドリフトの増加に伴い, 精度が著しく低下することを示した。
  論文  参考訳（メタデータ） (2021-12-13T19:41:26Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)
• Toward Enabling a Reliable Quality Monitoring System for Additive Manufacturing Process using Deep Convolutional Neural Networks [0.0]
  本稿では, 深層畳み込みニューラルネットワーク(CNN)モデルを用いて, 添加物製造(AM)プロセスの自動品質評価システムを提案する。 CNNモデルは, 層間積層における内部および表面欠陥の画像を用いてオフラインで訓練し, 異なる押出成形速度と温度でAMプロセスの故障を検出し, 分類する性能について検討した。 提案するオンラインモデルでは,AMプロセスに自動で一貫した非接触品質制御信号が付加され,完全構築後の部品の手動検査が不要になる。
  論文  参考訳（メタデータ） (2020-03-06T20:49:20Z)

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。