論文の概要: Industrial AI Robustness Card: Evaluating and Monitoring Time Series Models
- arxiv url: http://arxiv.org/abs/2512.11868v1
- Date: Fri, 05 Dec 2025 16:11:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-21 14:22:08.743767
- Title: Industrial AI Robustness Card: Evaluating and Monitoring Time Series Models
- Title（参考訳）: 産業用AIロバストネスカード - 時系列モデルの評価とモニタリング
- Authors: Alexander Windmann, Benedikt Stratmann, Mariya Lyashenko, Oliver Niggemann,
- Abstract要約: 産業用AI実践者は、新しい規制や標準においてあいまいな堅牢性要件に直面しているが、具体的な実装可能なプロトコルは欠如している。
本稿では,産業時系列におけるAIモデルの堅牢性の文書化と評価を行う軽量なタスク非依存プロトコルである産業用AIロバストネスカード(IARC)を紹介する。
- 参考スコア（独自算出の注目度）: 39.764678753458945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial AI practitioners face vague robustness requirements in emerging regulations and standards but lack concrete, implementation ready protocols. This paper introduces the Industrial AI Robustness Card (IARC), a lightweight, task agnostic protocol for documenting and evaluating the robustness of AI models on industrial time series. The IARC specifies required fields and an empirical measurement and reporting protocol that combines drift monitoring, uncertainty quantification, and stress tests, and it maps these to relevant EU AI Act obligations. A soft sensor case study on a biopharmaceutical fermentation process illustrates how the IARC supports reproducible robustness evidence and continuous monitoring.
- Abstract（参考訳）: 産業用AI実践者は、新しい規制や標準においてあいまいな堅牢性要件に直面しているが、具体的な実装可能なプロトコルは欠如している。
本稿では,産業時系列におけるAIモデルの堅牢性の文書化と評価を行う軽量なタスク非依存プロトコルである産業用AIロバストネスカード(IARC)を紹介する。
IARCは、ドリフトモニタリング、不確実性定量化、ストレステストを組み合わせた、必要なフィールドと経験的測定および報告プロトコルを特定し、これらを関連するEU AI Actの義務にマッピングする。
バイオ医薬品の発酵プロセスに関するソフトセンサーケーススタディは、IARCが再現可能な堅牢性証拠と継続的なモニタリングをどのようにサポートするかを示している。
関連論文リスト
- Constant-Size Cryptographic Evidence Structures for Regulated AI Workflows [0.0]
本稿では,規制環境におけるAIの正当性検証のための暗号証拠構造について紹介する。
それぞれのエビデンス項目は、(i)ワークフローイベントとコンフィギュレーションへの強いバインドを提供するように設計された、固定サイズの暗号化フィールドの固定サイズであり、(ii)一定のサイズのストレージとイベント毎の検証コストをサポートし、(iii)ハッシュチェーンとMerkleベースの監査をクリーンに構成する。
論文 参考訳（メタデータ） (2025-11-21T10:28:07Z) - Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。
現在の研究は、主に教師なし時系列異常検出に焦点を当てている。
本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
論文 参考訳（メタデータ） (2025-11-20T08:32:49Z) - AI Bill of Materials and Beyond: Systematizing Security Assurance through the AI Risk Scanning (AIRS) Framework [31.261980405052938]
人工知能(AI)システムの保証は、ソフトウェアサプライチェーンセキュリティ、敵機械学習、ガバナンスドキュメントに分散している。
本稿では,AI保証の運用を目的とした脅威モデルに基づくエビデンス発生フレームワークであるAI Risk Scanning(AIRS)フレームワークを紹介する。
論文 参考訳（メタデータ） (2025-11-16T16:10:38Z) - "Show Me You Comply... Without Showing Me Anything": Zero-Knowledge Software Auditing for AI-Enabled Systems [2.2981698355892686]
本稿では,新しいMLOps検証フレームワークであるZKMLOpsを紹介する。
ZKP(Zero-Knowledge Proofs)暗号プロトコルを運用し、証明者が証明者に対して、文が真実であることを納得させることができる。
我々は、金融リスク監査における規制コンプライアンスの研究を通じて、この枠組みの実践性を評価する。
論文 参考訳（メタデータ） (2025-10-30T15:03:32Z) - Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols [80.68060125494645]
プロトコルとモニタモデルを知っている信頼できないモデルによるアダプティブアタックについて検討する。
我々は、攻撃者がモデル出力に公知またはゼロショットプロンプトインジェクションを埋め込む単純な適応攻撃ベクトルをインスタンス化する。
論文 参考訳（メタデータ） (2025-10-10T15:12:44Z) - R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models [50.19174067263255]
我々は、エージェントがスパース・リワード、継続的なアクション、ゴールベースのロボット制御POMDP環境においてエクササイズするのを助けるために、事前の選好学習手法と自己修正スケジュールを導入する。
我々のエージェントは、累積報酬、相対安定性、成功率の観点から、最先端モデルよりも優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-09-21T18:32:44Z) - Intelligent Condition Monitoring of Industrial Plants: An Overview of Methodologies and Uncertainty Management Strategies [4.270144986042909]
現代の産業システムの安全性、信頼性、効率を確保するためには、条件監視が不可欠である。
産業プロセスの複雑さが増すにつれ、人工知能(AI)は断層検出と診断の強力なツールとして登場してきた。
State-of-the-art Machine Learning (ML)とDeep Learning (DL)アルゴリズムをレビューし、その強み、限界、産業的故障の検出と診断への適用性を強調した。
論文 参考訳（メタデータ） (2024-01-03T21:35:03Z) - On a Uniform Causality Model for Industrial Automation [61.303828551910634]
産業自動化の様々な応用分野に対する一様因果モデルを提案する。
得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。
このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
論文 参考訳（メタデータ） (2022-09-20T11:23:51Z) - Machine Learning based Indicators to Enhance Process Monitoring by
Pattern Recognition [0.4893345190925177]
パターンタイプと強度を組み合わせた機械学習に基づく指標のための新しいフレームワークを提案する。
半導体産業のケーススタディでは,従来のプロセス制御を越え,高品質な実験結果を得る。
論文 参考訳（メタデータ） (2021-03-24T10:13:20Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳（メタデータ） (2021-03-08T10:56:38Z)
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。