論文の概要: CEDAR-42001: From ISO/IEC 42001 Conformity to Architecture-Aware, Audit-Visible Assurance Posture for AI Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2606.21276v1
- Date: Fri, 19 Jun 2026 09:50:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 14:41:16.235956
- Title: CEDAR-42001: From ISO/IEC 42001 Conformity to Architecture-Aware, Audit-Visible Assurance Posture for AI Cyber-Physical Systems
- Title（参考訳）: CEDAR-42001:ISO/IEC 42001の整合性からアーキテクチャ・アウェア、AIサイバー物理システムへの可視的保証姿勢へ
- Abstract要約: 本報告では,ISO/IEC 42001監査証拠を,監査記録にトレース可能なアーキテクチャ対応保証姿勢に変換する2段階の手法を提案する。
CEDAR-42001は、エクスプロイラビリティを見積もったり、技術的CPSセキュリティテストを置き換えたりしない。
- 参考スコア（独自算出の注目度）: 25.852577434268273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-enabled cyber-physical systems (AI-CPS) turn data-driven decisions into physical actions, creating assurance challenges across sensing, computation, control, human oversight, and governance. ISO/IEC 42001:2023 specifies requirements for an artificial intelligence management system (AIMS), but conformity assessment alone does not show which architectural layers are affected, whether practices are mature enough for the risk context, or what actions should follow. We present CEDAR-42001 (Control-Evidence Decision and Action Reasoning), a two-stage method that converts ISO/IEC 42001 audit evidence into an architecture-aware assurance posture traceable to the audit record. Stage A preserves the conformity determination. Stage B adds four outputs to each audit row: (i) attribution to a governance stratum or one of seven AI-CPS layers; (ii) a five-dimensional maturity profile with binding-constraint identification; (iii) a risk-proportionate target maturity; and (iv) a rulebook-derived action recommendation. The enriched rows are aggregated into strategic, operational, and tactical decision products. We evaluate CEDAR-42001 using a synthetic autonomous-fleet AIMS and by comparing conformity-only results with the enriched outputs. Although 89.9 percent of audit rows were conforming, only 34.3 percent of conforming rows reached the baseline High-assurance category; across alternative operationalizations, this proportion ranged from 22.4 percent to 46.2 percent. A retrospective application to the 2023 Cruise robotaxi incident shows how the method captures documented concerns across governance, perception, decision-making, and human oversight and maps them to layer-specific actions. CEDAR-42001 does not estimate exploitability or replace technical CPS-security testing; it identifies where audit evidence warrants deeper technical assurance, organizational improvement, or remediation.
- Abstract（参考訳）: AI対応のサイバー物理システム(AI-CPS)は、データ駆動による決定を物理的なアクションに変換し、センシング、計算、制御、人間の監視、ガバナンスにまたがる保証課題を生み出す。
ISO/IEC 42001:2023は、人工知能管理システム(AIMS)の要件を規定するが、適合性評価だけでは、どのアーキテクチャ層が影響を受けるか、リスクコンテキストに十分なプラクティスが成熟しているか、どのアクションに従うべきかは示さない。
CEDAR-42001(Control-Evidence Decision and Action Reasoning, Control-Evidence Decision and Action Reasoning, CEDAR-42001)は,ISO/IEC 42001監査証拠を監査記録にトレース可能なアーキテクチャ対応保証姿勢に変換する2段階の手法である。
ステージAは適合性判定を保持する。
ステージBは、各監査行に4つのアウトプットを追加します。
一 統治層又は七つのAI-CPSの1つに帰属すること。
(二 拘束的識別を伴う5次元の成熟度プロファイル
三 リスクに富む目標成熟度
(iv)ルールブック由来のアクションレコメンデーション。
集約された行は、戦略的、運用的、戦術的決定製品に集約される。
我々はCEDAR-42001を合成自律飛行AIMSを用いて評価し、整合性のみの結果とリッチな出力とを比較した。
監査行の89.9%は順調だったが、基準のハイ・サスペンス・カテゴリーに到達したのは34.3%に過ぎなかった。
2023年のCruise Robotaxiインシデントに対する振り返りアプリケーションでは、ガバナンス、認識、意思決定、人間の監視などにわたって文書化された関心をキャプチャして、それらを層固有のアクションにマッピングする方法が示されています。
CEDAR-42001は、エクスプロイラビリティを見積もったり、技術的CPSセキュリティテストを置き換えたりしない。
関連論文リスト
- Governing at Machine Speed: An Adaptive Intelligence Architecture for Real-Time AI Policy Enforcement [0.0]
エンタープライズAIの採用は世界中の組織の78%に達しているが、その採用を管理するインフラストラクチャはペースを保っていない。
我々は、リアルタイムAIガバナンスの実施に機械学習を使用するように設計された概念的な5層アーキテクチャであるAGILを提案する。
論文 参考訳（メタデータ） (2026-09-11T19:35:00Z) - LAAF: A Layered Accountability Architecture Framework for LLM Applications [11.15280916125281]
大規模言語モデル(LLM)は、病院、法廷、銀行、公共サービスデスクで運用されており、流動的で自信のある出力は、根拠のない、または正しくない場合でも権威あるものとして扱われる。
本稿では,5次元に分解されたアクターとフォーラムの関係として,説明責任の社会技術的説明を統合する。
コーパスは、出所、アプリケーションロジック、ヒューマン監視、ガバナンスとリフレッシュにまたがる4層分類デバイスを通じて読み込まれる。
論文 参考訳（メタデータ） (2026-08-27T13:18:26Z) - Towards Trustworthy Embodied Intelligence: A Systems Framework and Graded Trustworthiness Levels [53.63220028820581]
身体的知性は、学習した知覚と意思決定をリアルタイムの計算、制御、物理的相互作用と統合する。
我々は,信頼に値するインテリジェンスを,特定のタスクを確実に実行するための持続能力として定義する。
論文 参考訳（メタデータ） (2026-07-28T17:50:44Z) - Toward Pre-Deployment Assurance for Enterprise AI Agents: Ontology-Grounded Simulation and Trust Certification [0.0]
配備後監視、人道管制、緊急レベルのガードレールは、エージェントが運用中に動作している場合に限定的な保証を提供する。
オントロジーに基づく検証フレームワークは、まず3つのコンポーネントを組み合わせる。
システムは、自動的に規制、運用、および敵対的なテストシナリオを生成する。
論文 参考訳（メタデータ） (2026-06-02T02:37:11Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - From Governance Norms to Enforceable Controls: A Layered Translation Method for Runtime Guardrails in Agentic AI [0.0]
本稿では,標準由来のガバナンス目標を4つのコントロール層に結合するレイヤ変換手法を提案する。
ガバナンスの目的、技術的なコントロール、ランタイムのガードレール、保証の証拠を区別します。
標準は、アーキテクチャ、ランタイムポリシー、ヒューマンエスカレーション、監査を横断するコントロール配置をガイドしなければなりません。
論文 参考訳（メタデータ） (2026-04-06T22:49:28Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Ethical Implications of Training Deceptive AI [0.0]
AIシステムにおける認知行動はもはや理論的ではない。
欧州連合のAI法は、詐欺的なAIシステムの配備を禁止している。
詐欺研究の実施方法を規定する確立した枠組みは存在しない。
論文 参考訳（メタデータ） (2026-03-10T20:30:27Z) - Frontier AI Auditing: Toward Rigorous Third-Party Assessment of Safety and Security Practices at Leading AI Companies [57.521647436515785]
私たちはフロンティアAIの監査を、フロンティアAI開発者の安全とセキュリティに関する主張の厳格な第三者による検証として定義しています。
本稿では,AI保証レベル(AAL-1からAAL-4)について紹介する。
論文 参考訳（メタデータ） (2026-01-16T18:44:09Z) - Standardized Threat Taxonomy for AI Security, Governance, and Regulatory Compliance [0.0]
ランゲージ障壁」は、現在、アルゴリズム上の脆弱性に焦点を当てた技術セキュリティチームと、規制義務に対処する法律やコンプライアンスの専門家を分離している。
本研究は、量的リスクアセスメント(QRA)のために明示的に設計された構造的オントロジーであるAIシステム脅威ベクトル分類法を提案する。
このフレームワークは、AI固有のリスクを9つの重要なドメインに分類する: ミスス、ポジショニング、プライバシ、アドリアム、バイアス、信頼できないアウトプット、ドリフト、サプライチェーン、IPThreat。
論文 参考訳（メタデータ） (2025-11-26T20:42:46Z) - Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。
このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。
本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
論文 参考訳（メタデータ） (2025-11-10T22:24:21Z) - Safe and Certifiable AI Systems: Concepts, Challenges, and Lessons Learned [45.44933002008943]
この白書は、T"UV AUSTRIA Trusted AIフレームワークを提示する。
エンド・ツー・エンドの監査カタログであり、機械学習システムの評価と認定のための方法論である。
セキュアなソフトウェア開発、機能要件、倫理とデータプライバシという3つの柱の上に構築されているのは、EU AI Actの高レベルの義務を、特定かつテスト可能な基準に翻訳するものです。
論文 参考訳（メタデータ） (2025-09-08T17:52:08Z) - Evaluating the Effectiveness of GPT-4 Turbo in Creating Defeaters for
Assurance Cases [6.231203956284574]
我々は OpenAI が開発した高度な大規模言語モデル (LLM) である GPT-4 Turbo を用いて,Electinative Argumentation (EA) 表記を用いて形式化された AC 内の敗者を特定する。
最初の評価は、このフレームワーク内での議論の理解と生成におけるモデルの習熟度を評価する。
その結果, GPT-4 TurboはEA表記に優れ, 様々な種類の敗北者を生成することができることがわかった。
論文 参考訳（メタデータ） (2024-01-31T16:51:23Z)
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。