論文の概要: Governance Controls for AI-Generated Test Artifacts in Autonomous Software Testing

• arxiv url: http://arxiv.org/abs/2606.08806v1
• Date: Sun, 07 Jun 2026 19:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.461255
• Title: Governance Controls for AI-Generated Test Artifacts in Autonomous Software Testing
• Title（参考訳）: 自律型ソフトウェアテストにおけるAI生成テスト成果物のガバナンス制御
• Authors: Dimple Bajaj, Deepak Khetan,
• Abstract要約: 本研究は,ガバナンス対応自律テストフレームワーク(GATF)の概念を紹介する。 このフレームワークは、ガバナンス検証、説明可能性分析、確率的リスクアセスメント、コンプライアンス監視、監査ガバナンスによる自律テストライフサイクルを拡張している。 提案されたアーキテクチャはスケーラブルで信頼性があり、ソフトウェアテストのための安全な環境を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) and Large Language Models (LLMs) are increasingly used in autonomous software testing; however, AI-generated test artifacts often suffer from hallucinations, compliance violations, security risks, and limited explainability. To enhance the reliability, transparency, and trustworthiness of AI-generated testing artifacts, this research introduces the concept of Governance-Aware Autonomous Testing Framework (GATF). The framework extends the autonomous testing lifecycle with governance validation, explainability analysis, probabilistic risk assessment, compliance monitoring, as well as audit governance. Experiments were performed with Defects4J and PROMISE software engineering datasets. The proposed framework successfully reduced the governance-related risks by 89.6% and demonstrated 94.3% accuracy in governance, 96.5% artifact reliability, 94.2% compliance accuracy, and 90.8% explainability performance. The results show that autonomous testing systems that are governance-aware can significantly enhance the reliability, transparency, and operational security of autonomous testing systems in comparison to conventional AI-based testing systems. The proposed architecture is scalable and reliable and provides a safe environment for software testing.
• Abstract（参考訳）: 人工知能(AI)とLarge Language Models(LLM)は、自律的なソフトウェアテストでますます使われているが、AIが生成するテストアーティファクトは、幻覚、コンプライアンス違反、セキュリティリスク、限定的な説明可能性に悩まされることが多い。 この研究は、AI生成テストアーティファクトの信頼性、透明性、信頼性を高めるために、ガバナンス対応自律テストフレームワーク(GATF)の概念を導入している。 このフレームワークは、ガバナンス検証、説明可能性分析、確率的リスクアセスメント、コンプライアンス監視、監査ガバナンスによる自律テストライフサイクルを拡張している。 Defects4J と PROMISE のソフトウェアエンジニアリングデータセットを用いて実験を行った。 提案されたフレームワークは、ガバナンス関連のリスクを89.6%削減し、ガバナンスの精度94.3%、アーティファクトの信頼性96.5%、コンプライアンスの正確94.2%、説明可能性のパフォーマンス90.8%を示した。 その結果,ガバナンスを意識した自律テストシステムは,従来のAIベースのテストシステムと比較して,自律テストシステムの信頼性,透明性,運用上のセキュリティを大幅に向上させることができることがわかった。 提案されたアーキテクチャはスケーラブルで信頼性があり、ソフトウェアテストのための安全な環境を提供する。

関連論文リスト

• Taming Silent Failures: A Framework for Verifiable AI Reliability [0.0]
  本稿では,FAME(Formal Assurance and Monitoring Environment)を紹介する。 FAMEはオフライン形式合成の数学的厳密さを、オンラインランタイム監視の警戒と組み合わせて、不透明なAIコンポーネントを中心とした検証可能な安全ネットを作成する。 自動運転車の認識システムにおいて、FAMEは93.5%の重大な安全違反を検知し、その効果を実証した。
  論文  参考訳（メタデータ） (2025-10-25T09:07:47Z)
• Breaking Barriers in Software Testing: The Power of AI-Driven Automation [0.0]
  本稿では、自然言語処理(NLP)、強化学習(RL)、予測モデルを用いたテストケース生成と検証を自動化するAI駆動フレームワークを提案する。 ケーススタディでは、欠陥の検出、テストの労力の削減、リリースサイクルの高速化が測定可能な向上を示している。
  論文  参考訳（メタデータ） (2025-08-22T01:04:50Z)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• LabSafety Bench: Benchmarking LLMs on Safety Issues in Scientific Labs [78.99703366417661]
  大規模言語モデル(LLM)は、手続き的なガイダンスから自律的な実験オーケストレーションまで、タスクをますます支援している。 このような過度な信頼性は、リスク識別やリスクアセスメントの失敗が重大事故を引き起こす高リスクな実験室環境では特に危険である。 実験室安全ベンチマーク (LabSafety Bench) を提案し, 潜在的な危険を識別し, リスクを評価し, 実験室環境における安全でない行動の結果を予測する。
  論文  参考訳（メタデータ） (2024-10-18T05:21:05Z)
• The Future of Software Testing: AI-Powered Test Case Generation and Validation [0.0]
  本稿では、テストケースの生成と検証を改善する上で、AIが持つ変革の可能性について考察する。 テストプロセスの効率性、正確性、スケーラビリティを高める能力に重点を置いている。 また、高品質なトレーニングデータの必要性など、テストにAIを適用する際の重要な課題にも対処している。
  論文  参考訳（メタデータ） (2024-09-09T17:12:40Z)
• Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
  人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)
• SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video Games Using Risk Based Testing and Machine Learning [62.997667081978825]
  従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。 自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。 この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
  論文  参考訳（メタデータ） (2022-03-10T00:47:46Z)
• Statistical Perspectives on Reliability of Artificial Intelligence Systems [6.284088451820049]
  AIシステムの信頼性に関する統計的視点を提供する。 本稿では,AI信頼性研究のためのSMART統計フレームワークを提案する。 我々は、AI信頼性のモデリングと分析における最近の発展について論じる。
  論文  参考訳（メタデータ） (2021-11-09T20:00:14Z)

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。