論文の概要: Quantifying Uncertainty in FMEDA Safety Metrics: An Error Propagation Approach for Enhanced ASIC Verification

• arxiv url: http://arxiv.org/abs/2603.21770v2
• Date: Wed, 25 Mar 2026 13:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 14:25:25.977947
• Title: Quantifying Uncertainty in FMEDA Safety Metrics: An Error Propagation Approach for Enhanced ASIC Verification
• Title（参考訳）: FMEDAの安全性基準の不確かさの定量化: ASIC検証の誤り伝播手法
• Authors: Antonino Armato, Christian Kehl, Sebastian Fischer,
• Abstract要約: 本稿では,FMEDAの安全性指標の計算に誤り伝搬理論を導入する新しい手法を提案する。 最大偏差を定量化し,SPFM と LFM の信頼区間を与えることにより,解析品質の直接測定を行う。
• 参考スコア（独自算出の注目度）: 0.49157446832511503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate and reliable safety metrics are paramount for functional safety verification of ASICs in automotive systems. Traditional FMEDA (Failure Modes, Effects, and Diagnostic Analysis) metrics, such as SPFM (Single Point Fault Metric) and LFM (Latent Fault Metric), depend on the precision of failure mode distribution (FMD) and diagnostic coverage (DC) estimations. This reliance can often leads to significant, unquantified uncertainties and a dependency on expert judgment, compromising the quality of the safety analysis. This paper proposes a novel approach that introduces error propagation theory into the calculation of FMEDA safety metrics. By quantifying the maximum deviation and providing confidence intervals for SPFM and LFM, our method offers a direct measure of analysis quality. Furthermore, we introduce an Error Importance Identifier (EII) to pinpoint the primary sources of uncertainty, guiding targeted improvements. This approach significantly enhances the transparency and trustworthiness of FMEDA, enabling more robust ASIC safety verification for ISO 26262 compliance, addressing a longstanding open question in the functional safety community.
• Abstract（参考訳）: 自動車システムにおけるASICの機能的安全性検証において、正確で信頼性の高い安全性指標が最重要である。 SPFM (Single Point Fault Metric) や LFM (Latent Fault Metric) といった従来のFMEDA(Failure Modes, Effects, and Diagnostic Analysis) メトリクスは、故障モード分布(FMD)の精度と診断カバレッジ(DC)の推定に依存する。 この依存は、しばしば重要な不確実性や専門家の判断に依存し、安全分析の質を損なう。 本稿では,FMEDAの安全性指標の計算に誤り伝搬理論を導入する新しい手法を提案する。 最大偏差を定量化し,SPFM と LFM の信頼区間を与えることにより,解析品質の直接測定を行う。 さらに,不確実性の原因を特定し,目標とする改善を導くために,EII(Error Importance Identifier)を導入する。 このアプローチは、FMEDAの透明性と信頼性を大幅に向上させ、ISO 26262準拠に対するより堅牢なASIC安全性検証を可能にし、機能安全コミュニティにおける長年のオープンな問題に対処する。

関連論文リスト

• Advancing Welding Defect Detection in Maritime Operations via Adapt-WeldNet and Defect Detection Interpretability Analysis [0.0]
  石油・ガス産業における配管システムの安全性と信頼性を確保するために溶接欠陥検出が不可欠である。 従来の非破壊テスト(NDT)手法は微妙な欠陥や内部の欠陥を検知できないことが多く、潜在的な障害やコストダウンの原因となる。 Adapt-WeldNetは溶接欠陥検出のための適応フレームワークである。 システム透過性を高めるためにDDIA(Defect Detection Interpretability Analysis)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-01T07:19:23Z)
• MCQA-Eval: Efficient Confidence Evaluation in NLG with Gold-Standard Correctness Labels [16.300463494913593]
  大規模言語モデル (LLM) には堅牢な信頼度推定が必要である。 McQCA-Evalは、自然言語生成における信頼度を評価するための評価フレームワークである。
  論文  参考訳（メタデータ） (2025-02-20T05:09:29Z)
• Dual-Channel Reliable Breast Ultrasound Image Classification Based on Explainable Attribution and Uncertainty Quantification [4.868832755218741]
  本稿では乳房超音波画像の分類課題について述べる。 本稿では,提案した推定信頼性と予測信頼性のスコアに基づく2チャンネル評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-08T04:37:18Z)
• Uncertainty Estimation for Safety-critical Scene Segmentation via Fine-grained Reward Maximization [12.79542334840646]
  不確実性推定は、安全クリティカルなシナリオにおけるディープセグメンテーションモデルの将来の信頼性の高い展開において重要な役割を果たす。 本研究では,不確実性推定に対処する新たな微粒化報酬(FGRM)フレームワークを提案する。 本手法は,不確実性推定のキャリブレーション指標のすべてに対して,最先端の手法よりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2023-11-05T17:43:37Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)

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。