論文の概要: Data-Dependent Goal Modeling for ML-Enabled Law Enforcement Systems

• arxiv url: http://arxiv.org/abs/2601.06237v1
• Date: Fri, 09 Jan 2026 15:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.707085
• Title: Data-Dependent Goal Modeling for ML-Enabled Law Enforcement Systems
• Title（参考訳）: ML-Enabled Law Enforcement Systemのためのデータ依存ゴールモデリング
• Authors: Dalal Alrajeh, Vesna Nowack, Patrick Benjamin, Katie Thomas, William Hobson, Carolina Gutierrez Muñoz, Catherine Hamilton-Giachritsis, Juliane A. Kloess, Jessica Woodhams, Daniel Butler, Mark Law, Ralph Morton, Benjamin Costello, Amy Burrell, Tim Grant, Prachiben Shah, Frances Laureano de Leon, Mark Lee,
• Abstract要約: 本稿では,GOREフレームワークKAOSを用いて,オンライン児童性的虐待の容疑者を識別するML対応システムの設計を行った経験を報告する。 データ要件は、目標のリンク、運用、満足度に影響を与える一方で、リファインメントの選択と候補エージェントを制限します。 データ駆動型システム開発とGOREを統合するための参照モデルを提供し、特にデータ導入と品質管理の明示的なサポートの必要性について、KAOS内のギャップを識別する。
• 参考スコア（独自算出の注目度）: 2.8686050325188153
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Investigating serious crimes is inherently complex and resource-constrained. Law enforcement agencies (LEAs) grapple with overwhelming volumes of offender and incident data, making effective suspect identification difficult. Although machine learning (ML)-enabled systems have been explored to support LEAs, several have failed in practice. This highlights the need to align system behavior with stakeholder goals early in development, motivating the use of Goal-Oriented Requirements Engineering (GORE). This paper reports our experience applying the GORE framework KAOS to designing an ML-enabled system for identifying suspects in online child sexual abuse. We describe how KAOS supported early requirements elaboration, including goal refinement, object modeling, agent assignment, and operationalization. A key finding is the central role of data elicitation: data requirements constrain refinement choices and candidate agents while influencing how goals are linked, operationalized, and satisfied. Conversely, goal elaboration and agent assignment shape data quality expectations and collection needs. Our experience highlights the iterative, bidirectional dependencies between goals, data, and ML performance. We contribute a reference model for integrating GORE with data-driven system development, and identify gaps in KAOS, particularly the need for explicit support for data elicitation and quality management. These insights inform future extensions of KAOS and, more broadly, the application of formal GORE methods to ML-enabled systems for high-stakes societal contexts.
• Abstract（参考訳）: 重大犯罪の捜査は本質的に複雑で、資源に制約がある。 法執行機関(LEA)は、圧倒的な量の犯罪者とインシデントデータを持ち込み、効果的な容疑者の特定を困難にしている。 機械学習(ML)対応システムは、LEAをサポートするために研究されているが、実際に失敗したものもいくつかある。 これは、システム行動とステークホルダーの目標を早期に整合させることの必要性を強調し、ゴール指向要求工学(Goal-Oriented Requirements Engineering, GORE)の使用を動機付けている。 本稿では,GOREフレームワークKAOSを用いて,オンライン児童性的虐待の容疑者を識別するML対応システムの設計を行った経験を報告する。 本稿では,KAOSが目標の洗練,オブジェクトモデリング,エージェントの割り当て,運用など,早期要件の策定を支援する方法について述べる。 データ要件は、目標のリンク、運用、満足度に影響を与える一方で、リファインメントの選択と候補エージェントを制限します。 逆に、目標策定とエージェント割り当ては、データ品質の期待と収集のニーズを形作る。 私たちの経験では、目標、データ、MLパフォーマンス間の反復的で双方向的な依存関係が強調されています。 データ駆動型システム開発とGOREを統合するための参照モデルを提供し、特にデータ導入と品質管理の明示的なサポートの必要性について、KAOS内のギャップを識別する。 これらの知見は今後のKAOSの拡張を示唆するものであり、より広義には、ML対応システムへの公式GORE法の応用が、社会的文脈の高度化に寄与している。

関連論文リスト

• RAGCap-Bench: Benchmarking Capabilities of LLMs in Agentic Retrieval Augmented Generation Systems [31.4909149697414]
  Retrieval-Augmented Generation (RAG) はLarge Language Models (LLM) の重要な制限を緩和する 最近の研究はエージェントRAGシステムを通じてこのパラダイムを拡張しており、LLMは複雑なクエリを反復的に計画、検索、推論するエージェントとして機能する。 本稿では,エージェントRAGにおける中間タスクの微粒化評価のための機能指向ベンチマークであるRAGCap-Benchを提案する。
  論文  参考訳（メタデータ） (2025-10-15T04:13:00Z)
• Intellectual Property in Graph-Based Machine Learning as a Service: Attacks and Defenses [57.9371204326855]
  この調査は、GMLモデルとグラフ構造化データの両方のレベルで、脅威と防御の最初の分類を体系的に導入する。 本稿では,IP保護手法の有効性を評価し,ベンチマークデータセットのキュレートしたセットを導入し,その適用範囲と今後の課題について論じるシステム評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-27T07:37:52Z)
• Graph-Augmented Large Language Model Agents: Current Progress and Future Prospects [57.53024716739594]
  グラフ拡張LDMエージェント(GLA)は複雑なエージェントシステムの構造、連続性、調整を強化する。 本稿では,最近の進歩の概要をタイムリーかつ包括的に紹介し,今後の研究の方向性を明らかにする。 本論文は,GLAにおける今後の研究のロードマップとして機能し,GLAエージェントシステムにおけるグラフの役割のより深い理解を促進することを願っている。
  論文  参考訳（メタデータ） (2025-07-29T00:27:12Z)
• Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• Data Requirement Goal Modeling for Machine Learning Systems [2.4140502941897544]
  本研究は,機械学習システムにおけるデータ要件の特定において,非専門家を導くアプローチを提案する。 我々はまず,白書を調査し,データ要求目標モデル(DRGM)を開発した。 次に、実世界のプロジェクトに基づいた2つの実証的な例を通して、このアプローチを検証する。
  論文  参考訳（メタデータ） (2025-04-10T11:30:25Z)
• Goal2Story: A Multi-Agent Fleet based on Privately Enabled sLLMs for Impacting Mapping on Requirements Elicitation [6.547589336272875]
  Goal2Storyは、Impact Mapping(IM)フレームワークを採用したマルチエージェントのフリートであり、単にゴール駆動REにコスト効率のよいsLLMを使用するだけである。 StorySeekデータセットには、対応する目標とプロジェクトコンテキスト情報を備えた1,000以上のユーザストーリ(US)が含まれている。 評価のために,FHR(Factality Hit Rate)とQuACE(Quality And Consistency Evaluation)の2つの指標を提案した。
  論文  参考訳（メタデータ） (2025-03-17T15:31:20Z)
• Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
  CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。 高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
  論文  参考訳（メタデータ） (2025-01-17T17:51:22Z)
• Adapting LLMs for Efficient, Personalized Information Retrieval: Methods and Implications [0.7832189413179361]
  LLM(Large Language Models)は、人間に似たテキストの理解と生成に優れた言語モデルである。 本稿では,言語モデル(LLM)と情報検索(IR)システムの統合戦略について検討する。
  論文  参考訳（メタデータ） (2023-11-21T02:01:01Z)

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。