論文の概要: The Eticas AI Risk Taxonomy: Open Infrastructure for Operationalizing AI Audits

• arxiv url: http://arxiv.org/abs/2607.02201v1
• Date: Thu, 02 Jul 2026 14:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.865824
• Title: The Eticas AI Risk Taxonomy: Open Infrastructure for Operationalizing AI Audits
• Title（参考訳）: Eticas AIのリスク分類:AI監査を運用するためのオープンインフラストラクチャ
• Authors: Gemma Galdon Clavell, Pablo Accuosto, Usman Gohar,
• Abstract要約: 我々は、Eticasが構築した運用層を公開ベンチマークに対して単一のリスク(PIIリーク)でエンドツーエンドに示す。 GPT-4-0314では, 対向条件が増加するにつれて, 7つの外部フレームワークの制御を必要とする開示リスクが0%, 51%, 84%と測定された。 この貢献は、概念から段階的な発見への橋渡しであり、それらが表すメカニズムからリスクをきれいに分離することで支えられている。
• 参考スコア（独自算出の注目度）: 2.869158116077567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid deployment of AI systems across high-stakes domains has created urgent demand for standardized evaluation, yet the field remains fragmented across competing risk taxonomies that catalog risks without showing how an audit is executed. At least 74 AI risk taxonomies exist, and almost all stop at the catalog. The hard part of auditing is not naming a risk but operationalizing it: turning it into a test run against a real system, a measured value, a calibrated severity, and a defensible grade. This paper leads with that bridge. We present the operationalization layer Eticas has built and run, shown end to end on a single risk (PII leakage) against a public benchmark, and then the open taxonomy that makes the method scale. On GPT-4-0314, a disclosure risk that seven external frameworks require be controlled is measured at 0%, 51%, and 84% disclosure as adversarial conditioning increases, mapping through calibrated severity bands to a subcategory grade of E with a SYSTEMIC pattern. Around this example, the Eticas AI Risk Taxonomy v2.0.0 organizes 76 active subcategories across 10 categories and 20 sub-groups, with mappings to 18 external frameworks across compliance, reference, and academic tiers. Its category and sub-group layer is published under CC BY 4.0 as open semantic infrastructure with stable URIs and SKOS/JSON-LD distributions, and a worked subcategory example shows the operational layer down to its severity thresholds. The contribution is the demonstrated bridge from concept to graded finding, anchored by a clean separation of risks from the mechanisms by which they surface, and framed by an open-core model in which the conceptual scaffold is open and the methodology calibration is the practitioner layer. This is the infrastructure the AI auditing field needs: shared, open, and demonstrably operable.
• Abstract（参考訳）: ハイリスクドメインへのAIシステムの迅速な展開は、標準化された評価に対する緊急の要求を生み出していますが、監査の実施方法を示すことなく、カタログリスクを分類する競合するリスク分類体系の間で、この分野はいまだに断片化されています。 少なくとも74のAIリスク分類が存在し、ほとんど全てがカタログに載っている。 監査の難しい部分は、リスクを命名するのではなく、運用することです – 実際のシステムに対するテスト実行、測定値、キャリブレーションされた重大度、および修正可能なグレードに変換することです。 この論文はあの橋に通じている。 我々は,Eticasが構築・実行した運用層を公開ベンチマークに対して単一リスク(PIIリーク)でエンドツーエンドに示すとともに,メソッドをスケールさせるオープンな分類法を提案する。 GPT-4-0314では、逆条件付けが増加するにつれて、7つの外部フレームワークの制御を必要とする開示リスクを0%、51%、84%で測定し、キャリブレーションされた重厚帯をシステマティックパターンでEのサブカテゴリグレードにマッピングする。 この例では、Eticas AI Risk Taxonomy v2.0.0が10のカテゴリと20のサブグループに76のアクティブサブカテゴリを編成している。 そのカテゴリとサブグループ層は、CC BY 4.0の下で、安定したURIとSKOS/JSON-LD分布を持つオープンセマンティックインフラストラクチャとして公開されており、動作するサブカテゴリの例では、操作層をその厳密なしきい値まで下げている。 コントリビューションは、概念から段階的な発見への橋渡しであり、表面のメカニズムからリスクをきれいに分離し、概念的な足場が開き、方法論の校正が実践層であるオープンコアモデルによってフレーム化されている。 これは、AI監査分野に必要なインフラストラクチャである:共有、オープン、そして実証的に操作可能である。

関連論文リスト

• Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework [63.74295981594549]
  大規模言語モデル(LLM)は、自身の目的を達成する行動に関与している。 これには、詐欺(故意に誤解を招くユーザや評価者)、評価ゲーム(安全テスト中のパフォーマンスを戦略的に操作する)、報酬ハッキングなどが含まれる。 自動行動リスク評価のための分類駆動型エージェントフレームワークであるESRRSimを紹介する。
  論文  参考訳（メタデータ） (2026-04-23T23:44:01Z)
• Making AI Compliance Evidence Machine-Readable [0.0]
  本稿では,AIガバナンスの候補交換フォーマットとしてOSCALを提案する。 ライフサイクルフェーズ、実施の意味論、リスクトレーサビリティ、リスク受容の正当性を含む16のプロパティ拡張を定義します。 アーキテクチャとリファレンス実装はApache RM 2.0の下でオープンソースである。
  論文  参考訳（メタデータ） (2026-04-15T11:51:54Z)
• When AI Fails, What Works? A Data-Driven Taxonomy of Real-World AI Risk Mitigation Strategies [0.04736448323490553]
  我々は、実世界のAIインシデント報告と緩和行動を分析し、経験的に根ざした分類を導き出す。 メディア報告された9,705件のAIインシデント記事の統合コーパスを用いて、6,893件のテキストから明示的な緩和アクションを抽出する。 分類学では,(1)矯正・規制行動,(2)法・規制強化行動,(3)金融・経済・市場管理,(4)回避・否定の4つの新たなカテゴリーを紹介している。
  論文  参考訳（メタデータ） (2026-03-04T16:46:13Z)
• Mapping AI Risk Mitigations: Evidence Scan and Preliminary AI Risk Mitigation Taxonomy [35.22340964134219]
  AIリスク軽減フレームワークの展望は断片化され、一貫性のない用語を使用し、カバレッジにギャップがある。 本稿では、AIリスク軽減のための予備的なAIリスク軽減分類を導入し、共通の参照枠を提供する。 この分類法は、2023年から2025年の間に発行された13のAIリスク軽減フレームワークの素早いエビデンススキャンによって開発された。
  論文  参考訳（メタデータ） (2025-12-12T03:26:29Z)
• Toward Quantitative Modeling of Cybersecurity Risks Due to AI Misuse [50.87630846876635]
  我々は9つの詳細なサイバーリスクモデルを開発する。 各モデルはMITRE ATT&CKフレームワークを使用して攻撃をステップに分解する。 個々の見積もりはモンテカルロシミュレーションによって集約される。
  論文  参考訳（メタデータ） (2025-12-09T17:54:17Z)
• CORTEX: Composite Overlay for Risk Tiering and Exposure in Operational AI Systems [0.812761334568906]
  本稿では,AIシステムの脆弱性を評価し,評価する多層リスクスコアリングフレームワークであるCORTEXを紹介する。 AIインシデントデータベース(AIID)に記録された1200件以上のインシデントを実証分析した。 結果として得られる複合スコアは、AIリスクレジスタ、モデル監査、適合性チェック、動的ガバナンスダッシュボード間で運用することができる。
  論文  参考訳（メタデータ） (2025-08-24T07:30:25Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)

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。