論文の概要: Transparency as Architecture: Structural Compliance Gaps in EU AI Act Article 50 II
- arxiv url: http://arxiv.org/abs/2603.26983v1
- Date: Fri, 27 Mar 2026 20:50:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.719487
- Title: Transparency as Architecture: Structural Compliance Gaps in EU AI Act Article 50 II
- Title（参考訳）: アーキテクチャとしての透明性: EU AI Act 第50条第2項における構造コンプライアンスギャップ
- Abstract要約: EU人工知能法第50条は、AI生成コンテンツの二重透明性を規定している。
この要件は、現在の生成AIシステムの基本的な制約と衝突する。
コンプライアンスはポストホックラベリングに還元できないことを示す。
- 参考スコア（独自算出の注目度）: 0.6999740786886536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Art. 50 II of the EU Artificial Intelligence Act mandates dual transparency for AI-generated content: outputs must be labeled in both human-understandable and machine-readable form for automated verification. This requirement, entering into force in August 2026, collides with fundamental constraints of current generative AI systems. Using synthetic data generation and automated fact-checking as diagnostic use cases, we show that compliance cannot be reduced to post-hoc labeling. In fact-checking pipelines, provenance tracking is not feasible under iterative editorial workflows and non-deterministic LLM outputs; moreover, the assistive-function exemption does not apply, as such systems actively assign truth values rather than supporting editorial presentation. In synthetic data generation, persistent dual-mode marking is paradoxical: watermarks surviving human inspection risk being learned as spurious features during training, while marks suited for machine verification are fragile under standard data processing. Across both domains, three structural gaps obstruct compliance: (a) absent cross-platform marking formats for interleaved human-AI outputs; (b) misalignment between the regulation's 'reliability' criterion and probabilistic model behavior; and (c) missing guidance for adapting disclosures to heterogeneous user expertise. Closing these gaps requires transparency to be treated as an architectural design requirement, demanding interdisciplinary research across legal semantics, AI engineering, and human-centered desi
- Abstract（参考訳）: EU人工知能法第50条は、AI生成コンテンツの二重透明性を規定している。
2026年8月に施行されたこの要件は、現在の生成AIシステムの基本的な制約と衝突する。
総合データ生成と自動ファクトチェックを診断のユースケースとして用いて、コンプライアンスをポストホックラベリングに還元することはできないことを示す。
ファクトチェックパイプラインでは、反復的な編集ワークフローや非決定論的LCM出力では、プロファイランストラッキングは実現不可能である。
人工データ生成では、永続的な二重モードマーキングはパラドックス的であり、トレーニング中に人間の検査を生き残る透かしは素早い特徴として学習され、マシン検証に適したマーキングは標準的なデータ処理下で脆弱である。
両方の領域で、3つの構造的ギャップはコンプライアンスを妨げます。
(a) インターリーブされた人間-AI出力のためのクロスプラットフォームマーキング形式がないこと。
ロ 規制の「信頼性」基準と確率論的モデル行動の相違
(c)異種ユーザの専門知識に開示を適用するためのガイダンスの欠如。
これらのギャップを埋めるには、アーキテクチャ設計要件として扱われる透明性が必要であり、法的な意味論、AIエンジニアリング、人間中心のデシにまたがる学際的な研究を必要としている。
関連論文リスト
- Watermarks Without Verification: AI Text Watermarking After the EU AI Act [49.51124343181601]
EU AI法第50条では、生成可能なAIプロバイダに対して、システムが生成したコンテンツをマークし、AI生成として検出することを要求している。
Anthropicは、その日後にリリースされたすべてのClaudeモデルが、すべての生成されたテキストにSynthID-Textに基づく透かしを埋め込んでいることを公表した。
我々は、現在、異議や保証は確認できないし、この不信は、それ自体を透かしではなく、実質的なガバナンスの失敗であると論じている。
論文 参考訳（メタデータ） (2026-09-09T01:56:17Z) - On Automated and Explainable Provenance of AI-Generated Code [56.818202904805446]
次世代のCodeGenAIツールは、説明可能な証明の基礎の上に構築されなければならない、と我々は主張する。
本稿では,大規模実証研究とポストホック因果・解釈可能性技術を組み合わせた研究プログラムについて述べる。
論文 参考訳（メタデータ） (2026-08-03T14:50:31Z) - Specification-Driven Development as the Foundation of AI-Native Enterprise Software Engineering [0.0]
大規模言語モデル(LLM)とエージェントAIは、ソフトウェアエンジニアリングを手作業によるコーディングからインテント仕様、アーキテクチャ、ガバナンスへとシフトさせています。
バイブコーディング(vibe coding)と、観察された振る舞いを通じてAIアーティファクトを受け入れる直観駆動アプローチ(intuition-driven approach)と、構造化仕様を真理の信頼できる情報源として使用する仕様駆動開発(Specification-Driven Development, SDD)の2つのパラダイムが登場した。
この記事では、3つのコントリビューションを行います。まず最初に、生産性-信頼性パラドックス、限られたコンテキストからのアーキテクチャ侵食、セキュリティ露出、技術的負債といった、過度な会話生成の失敗モードを特定します。
第2に、正式な仕様ガバナンス参照モデル(SGRM)を導入する。
論文 参考訳（メタデータ） (2026-07-18T07:27:02Z) - Beyond AI-Generated Labels: Watermarking, Co-Creation, and Conflation of AI-Generation with Disinformation [0.0]
我々は、透かしに基づくアプローチを概念的にも実際的にも誤解されていると論じる。
本稿では,プロセスの透明性と情報リテラシーに着目した代替手法を提案する。
論文 参考訳（メタデータ） (2026-07-13T08:44:12Z) - Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。
本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文 参考訳（メタデータ） (2026-06-15T16:54:02Z) - AI Identity: Standards, Gaps, and Research Directions for AI Agents [0.0]
AIエージェントは現在、人間の継続的な監督なしに、組織の境界を越えて実際のトランザクション、トランザクション、サブエージェントチェーンを実行している。
ボディがなく、永続的なメモリがなく、法的地位のないエンティティをどうやって識別し、検証し、保持するか。
AI Identityを、AIエージェントが宣言されるものと、それが何をするかという継続的な関係として定義します。
論文 参考訳（メタデータ） (2026-04-25T12:51:52Z) - SEAL: An Open, Auditable, and Fair Data Generation Framework for AI-Native 6G Networks [17.028162341456373]
6Gネットワークは、動的リソース割り当て、予測保守、超信頼性の低い低レイテンシ通信を可能にすることで、通信業界を変革することを約束している。
しかし、6Gシステムのデプロイはデータ不足を招き、効率的なAIモデルのトレーニングを妨げる。
本稿では,SEAL(Synthetic Data Generation with Ethics Audit Loop)フレームワークを提案し,ERCD(Ethical and Regulatory Compliance by Design)モジュールとFL(Federated Learning)フィードバックシステムを用いてベースラインパイプラインを拡張した。
論文 参考訳（メタデータ） (2026-04-02T15:03:24Z) - CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。
最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。
提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
論文 参考訳（メタデータ） (2026-03-06T15:11:58Z) - When AI Levels the Playing Field: Skill Homogenization, Asset Concentration, and Two Regimes of Inequality [0.7016842616745783]
生成AIは、経済価値を集中的な補完資産にシフトしながら、タスク内スキルの違いを圧縮する。
我々は、この緊張関係を内在的教育、雇用主検診、異種企業によるタスクベースモデルで定式化する。
このモデルでは、境界がAIの技術構造に依存する2つのレジームが生成される。
論文 参考訳（メタデータ） (2026-03-05T12:41:08Z) - Agency and Architectural Limits: Why Optimization-Based Systems Cannot Be Norm-Responsive [0.0]
AIシステムは、標準によって管理されるという前提の下で、ハイステークな状況にますますデプロイされている。
本稿では,最適化システムに対して仮定が正式に無効であることを示す。
論文 参考訳（メタデータ） (2026-02-26T17:16:17Z) - AI-NativeBench: An Open-Source White-Box Agentic Benchmark Suite for AI-Native Systems [52.65695508605237]
我々は、Model Context Protocol(MCP)とAgent-to-Agent(A2A)標準に基づいて、アプリケーション中心でホワイトボックスのAI-NativeベンチマークスイートであるAI-NativeBenchを紹介する。
エージェントスパンを分散トレース内の第一級市民として扱うことにより,本手法は,単純な機能以上の工学的特性の粒度解析を可能にする。
この研究は、モデル能力の測定から信頼性の高いAI-Nativeシステムへの移行を導く最初の体系的な証拠を提供する。
論文 参考訳（メタデータ） (2026-01-14T11:32:07Z) - Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。
当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
論文 参考訳（メタデータ） (2025-07-03T02:45:51Z) - Ethical AI: Towards Defining a Collective Evaluation Framework [0.3413711585591077]
人工知能(AI)は医療、金融、自律システムといった分野を変えつつある。
しかし、その迅速な統合は、データ所有権、プライバシー、およびシステムバイアスに関する緊急の倫理的懸念を提起する。
本稿では,意味不明で解釈可能な単位のオントロジブロック上に構築されたモジュール型倫理的評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-30T21:10:47Z) - Data quality dimensions for fair AI [0.0]
我々は、データ品質の次元の観点から、AIシステムにおけるバイアスの問題を考察する。
我々は、精度戦略に基づくバイアス軽減ツールの限定モデル構築について強調する。
本稿では, 完全性, 一貫性, タイムライン, 信頼性の観点から, 分類タスクの公平性を再考する。
論文 参考訳（メタデータ） (2023-05-11T16:48:58Z)
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。