論文の概要: From High-Dimensional Spaces to Verifiable ODD Coverage for Safety-Critical AI-based Systems
- arxiv url: http://arxiv.org/abs/2604.02198v1
- Date: Thu, 02 Apr 2026 15:52:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.902577
- Title: From High-Dimensional Spaces to Verifiable ODD Coverage for Safety-Critical AI-based Systems
- Title（参考訳）: 安全批判型AIシステムのための高次元空間から検証可能なODDカバレッジへ
- Authors: Thomas Stefani, Johann Maximilian Christensen, Elena Hoemann, Frank Köster, Sven Hallerbach,
- Abstract要約: 現在のEASAガイドラインは、AI/MLコンポーネントのオペレーショナルデザインドメイン(ODD)の完全なカバレッジを規定している。
抽象的なODD定義と検証可能な証拠のギャップを埋めるために標準化されたエンジニアリング手法は存在しない。
本稿では,パラメータの離散化,制約に基づくフィルタリング,臨界に基づく次元削減を構造化された多段階ORDカバレッジ検証プロセスに統合する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.7285647284266376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Artificial Intelligence (AI) offers transformative potential for operational performance, its deployment in safety-critical domains such as aviation requires strict adherence to rigorous certification standards. Current EASA guidelines mandate demonstrating complete coverage of the AI/ML constituent's Operational Design Domain (ODD) -- a requirement that demands proof that no critical gaps exist within defined operational boundaries. However, as systems operate within high-dimensional parameter spaces, existing methods struggle to provide the scalability and formal grounding necessary to satisfy the completeness criterion. Currently, no standardized engineering method exists to bridge the gap between abstract ODD definitions and verifiable evidence. This paper addresses this void by proposing a method that integrates parameter discretization, constraint-based filtering, and criticality-based dimension reduction into a structured, multi-step ODD coverage verification process. Grounded in gathered simulation data from prior research on AI-based mid-air collision avoidance research, this work demonstrates a systematic engineering approach to defining and achieving coverage metrics that satisfy EASA's demand for completeness. Ultimately, this method enables the validation of ODD coverage in higher dimensions, advancing a Safety-by-Design approach while complying with EASA's standards.
- Abstract（参考訳）: 人工知能(AI)は運用性能に変革をもたらすが、航空などの安全上重要な分野への展開には厳格な認証基準の厳格な遵守が必要である。
現在のEASAガイドラインでは、AI/MLコンポーネントのオペレーショナルデザインドメイン(ODD)の完全なカバレッジを規定している。
しかし、システムは高次元パラメータ空間内で動作するため、既存の手法は完全性基準を満たすのに必要なスケーラビリティと形式的な基礎を提供するのに苦労する。
現在、抽象的なODD定義と検証可能なエビデンスの間のギャップを埋めるために標準化されたエンジニアリング手法は存在しない。
本稿では,パラメータの離散化,制約に基づくフィルタリング,臨界度に基づく次元削減を構造化された多段階ODDカバレッジ検証プロセスに統合する手法を提案する。
この研究は、AIベースの空中衝突回避研究に関する以前の研究から収集されたシミュレーションデータに基づいて、EASAの完全性要求を満たすカバレッジメトリクスを定義し、達成するための体系的なエンジニアリングアプローチを実証する。
最終的に、この手法により、より高次元のORDカバレッジの検証が可能となり、EASAの基準に準拠した安全設計アプローチが進められる。
関連論文リスト
- Agentic Problem Frames: A Systematic Approach to Engineering Reliable Domain Agents [0.0]
大きな言語モデル(LLM)は、自律的なエージェントへと進化していますが、現在の"フレームワークレス"な開発は、あいまいな自然言語に基づいています。
本研究では,内部モデルインテリジェンスからエージェントと環境間の構造的相互作用に焦点を移すシステム工学フレームワークであるエージェント問題フレーム(APF)を提案する。
論文 参考訳（メタデータ） (2026-02-22T06:32:32Z) - Defining Operational Conditions for Safety-Critical AI-Based Systems from Data [0.7816377212023298]
運用設計ドメイン(ODD)は、AIベースのシステムの認証のために、多くのドメインで必要とされる。
本稿では,複数次元のカーネルベース表現を用いた事前収集データから ODD を定義するための新しいセーフティ・バイ・デザイン手法を提案する。
このアプローチは、モンテカルロ法と、将来の安全臨界衝突回避システムのための実世界の航空ユースケースの両方を通じて検証されている。
論文 参考訳（メタデータ） (2026-01-29T18:46:02Z) - Incremental Validation of Automated Driving Functions using Generic Volumes in Micro- Operational Design Domains [0.0]
本稿では,操作設計領域(ODD)を管理可能なセクションに分割し,抽象オブジェクト表現を用いてテストケースを抽出する構造的手法を提案する。
障害物は様々な大きさの一般的な立方体として表現され、知覚性能を評価するためのシンプルで堅牢な手段を提供する。
その結果、障害物検出におけるエッジケースを体系的に探索し、認識品質を評価する方法が示された。
論文 参考訳（メタデータ） (2025-12-12T07:59:58Z) - Improving AEBS Validation Through Objective Intervention Classification Leveraging the Prediction Divergence Principle [0.0]
本研究は,予測分散原理(PDP)を利用した規則に基づく分類手法を提案する。
この手法を人間のラベル付けと組み合わせることで、分類の透明性と一貫性が向上し、全体的な検証プロセスが改善されることが示唆された。
論文 参考訳（メタデータ） (2025-07-10T15:55:05Z) - Towards provable probabilistic safety for scalable embodied AI systems [79.31011047593492]
エンボディードAIシステムは、様々なアプリケーションでますます普及している。
複雑な運用環境での安全性確保は依然として大きな課題である。
このパースペクティブは、安全で大規模に実施されたAIシステムを安全クリティカルなアプリケーションに採用するための道筋を提供する。
論文 参考訳（メタデータ） (2025-06-05T15:46:25Z) - Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。
既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。
本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-22T08:34:35Z) - Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。
問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。
本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
論文 参考訳（メタデータ） (2024-03-15T17:32:02Z) - Scaling #DNN-Verification Tools with Efficient Bound Propagation and
Parallel Computing [57.49021927832259]
ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。
しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。
DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-12-10T13:51:25Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - SMT-Based Safety Verification of Data-Aware Processes under Ontologies
(Extended Version) [71.12474112166767]
我々は、このスペクトルで最も調査されたモデルの1つ、すなわち単純なアーティファクトシステム(SAS)の変種を紹介する。
このDLは適切なモデル理論特性を享受し、後方到達性を適用可能なSASを定義することができ、対応する安全問題のPSPACEにおける決定可能性をもたらす。
論文 参考訳（メタデータ） (2021-08-27T15:04:11Z) - Evaluating the Safety of Deep Reinforcement Learning Models using
Semi-Formal Verification [81.32981236437395]
本稿では,区間分析に基づく半形式的意思決定手法を提案する。
本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。
提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
論文 参考訳（メタデータ） (2020-10-19T11:18:06Z)
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。