論文の概要: AI Supply Chain Galaxy: 3D Visual Analytics for License Compliance
- arxiv url: http://arxiv.org/abs/2606.16292v1
- Date: Mon, 15 Jun 2026 06:54:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.12875
- Title: AI Supply Chain Galaxy: 3D Visual Analytics for License Compliance
- Title（参考訳）: AIサプライチェーンGalaxy:ライセンス準拠のための3Dビジュアルアナリティクス
- Authors: Weiru Han, Xuetao Shi, Wenyi He, Wei Wang, Rui Zhao, Moming Duan,
- Abstract要約: 本稿では,AIサプライチェーン・ギャラクシー(AISCG)について紹介する。
AISCGはモデルを3次元空間レイアウトにマッピングし、明示的な構造的依存関係とルールベースのコンプライアンスエンジンを統合する。
本稿では,AISCGが解析者に対して,遺伝的制約項を直感的にトレースし,深いトポロジカルネットワークをまたいだ根本原因を特定する方法を示す。
- 参考スコア（独自算出の注目度）: 7.056728024053836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid proliferation of machine learning model reuse has transformed the AI ecosystem into a highly interconnected supply chain. Traditional compliance tools and static reports struggle to navigate these massive, multi-hop dependency networks. To address this, we present AI Supply Chain Galaxy (AISCG), an interactive 3D visual analytics system for model provenance and compliance auditing. AISCG maps models into a 3D spatial layout, integrating explicit structural dependencies with a rule-based compliance engine. It supports multi-scale exploration, from global community detection to localized, path-aware lineage tracing. We demonstrate its efficacy through an ecosystem-scale empirical analysis of 908,449 models from Hugging Face. Our findings reveal a concerning landscape: 55.46% of models exhibit compliance risks or metadata conflicts/omissions. We also identified distinct risk patterns, including a 56.67% license omission rate in adapter derivations and an 8.05% "license drift" rate in fine-tuning. Through a case study on the complex Llama model family, we show how AISCG empowers analysts to intuitively trace inherited restrictive terms and identify root causes across deep topological networks, significantly reducing the cognitive load of compliance auditing.
- Abstract（参考訳）: 機械学習モデルの再利用の急速な普及は、AIエコシステムを高度に相互接続されたサプライチェーンに変えた。
従来のコンプライアンスツールと静的レポートは、これらの巨大なマルチホップ依存ネットワークをナビゲートするのに苦労しています。
そこで我々はAI サプライチェーン・ギャラクシー(AISCG)を,モデル証明とコンプライアンス監査のためのインタラクティブな3次元視覚分析システムとして紹介する。
AISCGはモデルを3次元空間レイアウトにマッピングし、明示的な構造的依存関係とルールベースのコンプライアンスエンジンを統合する。
グローバルなコミュニティ検出から、ローカライズされたパス対応の系統トレースまで、マルチスケールの探索をサポートする。
我々はHugging Faceの908,449モデルの生態系スケールの実証分析を通してその効果を実証した。
55.46%のモデルは、コンプライアンスのリスクやメタデータの衝突/欠落を示す。
また,アダプタ導出における56.67%の失効率と微調整における8.05%の「ライセンスドリフト」率を含む,異なるリスクパターンも同定した。
複雑なLlamaモデルファミリのケーススタディを通じて、AISCGがアナリストに対して、継承された制約項を直感的にトレースし、深いトポロジカルネットワークにおける根本原因を特定し、コンプライアンス監査の認知負荷を大幅に低減させる方法を示す。
関連論文リスト
- UModel: An Agent-Ready Observability Data Modeling Method at Scale [25.076726153200084]
データ中心のモデリングからオブジェクト中心のモデリングへ可観測性をシフトする統一的なオントロジフレームワークであるUModelを提案する。
UModelを使用して"AIOps 2025 Challenge"データセットを再モデル化することで、根本原因のローカライゼーションの精度が8%向上した。
UModelは数万のユーザに仕え、毎秒数百万のオペレーションを持続し、秒未満のクエリレイテンシを提供する。
論文 参考訳（メタデータ） (2026-06-03T12:25:50Z) - Beyond Perplexity: Character Distribution Signatures and the MDTA Benchmark for AI Text Detection [0.34998703934432673]
トレーニング不要のAIテキスト検出方法は、主にモデルログ確率に依存し、BinocularsやDNA-DetectLLMといったアプローチを通じて強力なパフォーマンスを達成する。
文字分布シグネチャに基づく代替検出信号を導入する。
我々は、大規模ドメインバランスのコーパスに基づいて訓練されたAIモデルが、人間がドメインに特化された分布を示す一方で、グローバルなキャラクタパターンを近似していることを示す理論的基盤を提供する。
論文 参考訳（メタデータ） (2026-05-03T00:10:15Z) - Learning Unknown Interdependencies for Decentralized Root Cause Analysis in Nonlinear Dynamical Systems [3.122408196953971]
ネットワーク化された産業システムにおけるルート原因分析(RCA)は,地理的に分散したクライアント間の相互依存性が未知かつ動的に変化するため困難である。
本稿では,機能分割非線形時系列データに対する相互依存型相互依存学習手法を提案する。
我々は、広範囲なシミュレーションと実世界の産業サイバーセキュリティデータセットに対する我々のアプローチを理論的収束保証として確立し、検証する。
論文 参考訳（メタデータ） (2026-02-25T14:05:38Z) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Using Petri Nets as an Integrated Constraint Mechanism for Reinforcement Learning Tasks [3.105112058253643]
アルゴリズムへの信頼の欠如は、現実世界のドメインで制御するために強化学習(RL)エージェントを使用する場合の課題である。
本稿では,典型的なRLアプローチに対して3つの利点を持つペトリネット(PN)を用いたアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-05T13:04:06Z) - Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-05-06T06:23:06Z) - RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。
RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。
RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-25T03:53:31Z) - Variational Interpretable Learning from Multi-view Data [2.687817337319978]
DICCAは、多視点データの共有とビュー固有のバリエーションの両方を分離するように設計されている。
実世界のデータセットにおける実証的な結果は、我々の手法がドメイン間で競合していることを示している。
論文 参考訳（メタデータ） (2022-02-28T01:56:44Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。