論文の概要: Evaluating Assurance Cases as Text-Attributed Graphs for Structure and Provenance Analysis

• arxiv url: http://arxiv.org/abs/2604.20577v2
• Date: Thu, 30 Apr 2026 09:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 14:06:12.540343
• Title: Evaluating Assurance Cases as Text-Attributed Graphs for Structure and Provenance Analysis
• Title（参考訳）: 構造・前処理解析のためのテキスト分散グラフとしての保証事例の評価
• Authors: Fariz Ikhwantri, Dusica Marijan,
• Abstract要約: 本稿では,保証事例の構造と証明を解析するためのグラフ診断フレームワークを提案する。 リンク予測とグラフ分類という2つの主要な課題に焦点をあてる。 実験により,グラフニューラルネットワーク(GNN)が強いリンク予測性能を実現することが示された。 証明検出のために、GNNはLLMの生成したケースと人間を効果的に区別する。
• 参考スコア（独自算出の注目度）: 1.8314346918344617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An assurance case is a structured argument document that justifies claims about a system's requirements or properties, which are supported by evidence. In regulated domains, these are crucial for meeting compliance and safety requirements to industry standards. We propose a graph diagnostic framework for analysing the structure and provenance of assurance cases. We focus on two main tasks: (1) link prediction, to learn and identify connections between argument elements, and (2) graph classification, to differentiate between assurance cases created by a state-of-the-art large language model and those created by humans, aiming to detect bias. We compiled a publicly available dataset of assurance cases, represented as graphs with nodes and edges, supporting both link prediction and provenance analysis. Experiments show that graph neural networks (GNNs) achieve strong link prediction performance (ROC-AUC 0.760) on real assurance cases and generalise well across domains and semi-supervised settings. For provenance detection, GNNs effectively distinguish human-authored from LLM-generated cases (F1 0.94). We observed that LLM-generated assurance cases have different hierarchical linking patterns compared to human-authored cases. Furthermore, existing GNN explanation methods show only moderate faithfulness, revealing a gap between predicted reasoning and the true argument structure.
• Abstract（参考訳）: アシュアランス・ケース(英: Assurance case)とは、システムの要件や特性に関する主張を正当化する構造化された議論文書であり、証拠によって裏付けられている。 規制領域では、これらは業界標準へのコンプライアンスと安全要件を満たすために不可欠である。 本稿では,保証事例の構造と証明を解析するためのグラフ診断フレームワークを提案する。 我々は,(1)議論要素間の関係を学習し,識別する,(2)グラフ分類という2つの主要な課題に焦点をあてる。 我々は、ノードとエッジを持つグラフとして表現された保証ケースの公開データセットをコンパイルし、リンク予測と証明解析の両方をサポートした。 実験により、グラフニューラルネットワーク(GNN)は、実際の保証ケースに対して強いリンク予測性能(ROC-AUC 0.760)を達成し、ドメインと半教師付き設定をうまく一般化することが示された。 証明検出のために、GNN は LLM の生成したケース (F1 0.94) と人間を効果的に区別する。 以上の結果から, LLMが生成する保証症例は, 人為的な事例と比較して階層的なリンクパターンが異なることが判明した。 さらに、既存のGNN説明法は、予測された推論と真の議論構造とのギャップを明らかにするため、適度な忠実さしか示さない。

関連論文リスト

• Beyond Curve Fitting: Neuro-Symbolic Agents for Context-Aware Epidemic Forecasting [6.67449278650973]
  そこで我々は,手,足,口の病気を予測するための2エージェント・フレームワークを提案する。 イベントインタプリタ」は、学校スケジュール、気象サマリー、レポートを含む信号を処理します。 ニューロシンボリックコアは、これを歴史的なケースカウントと組み合わせて、キャリブレーションされた確率予測を生成する。
  論文  参考訳（メタデータ） (2025-11-28T15:29:26Z)
• Finding Counterfactual Evidences for Node Classification [11.652111338324358]
  本稿では,GNNに基づくノード分類タスクにおいて,逆実効的な証拠を探索する問題を紹介し,解決する。 反事実的証拠は、それらが特徴と近傍のサブグラフ構造の両方において大きな類似性を示すにもかかわらず、GNNによって異なる分類がなされる、一対のノードである。 本研究では, ノード特徴と構造情報の両方を活用して, 対実的証拠を同定する, 効率的かつ効率的な探索アルゴリズムと, 新たな索引付けソリューションを開発する。
  論文  参考訳（メタデータ） (2025-05-16T16:02:39Z)
• Robustness questions the interpretability of graph neural networks: what to do? [0.10713888959520207]
  グラフニューラルネットワーク(GNN)は、グラフベースのデータ分析の基盤となっている。 本稿では,GNNの解釈可能性に対する各種要因の影響を系統的に解析するベンチマークを提案する。 我々は,GCN,SAGE,GIN,GATの6つのGNNアーキテクチャを,2つの異なるドメインの5つのデータセットで評価した。
  論文  参考訳（メタデータ） (2025-05-05T11:14:56Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features [15.522099372465695]
  グラフネットワーク(GNN)ベースのセキュリティソリューションは、セキュリティクリティカルなタスクのためにシステムグラフをダイジェストする。 本稿では、PROVEXPLAINERが現在の最先端(SOTA)GNN説明器と相乗してドメインとインスタンス固有の説明を提供する方法を示す。
  論文  参考訳（メタデータ） (2023-06-01T17:36:24Z)

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。