論文の概要: Property-Driven Synthetic Data Engineering for Data-Scarce Software Systems: Reflections from the Breast Cancer Domain

• arxiv url: http://arxiv.org/abs/2607.06133v1
• Date: Tue, 07 Jul 2026 10:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.497501
• Title: Property-Driven Synthetic Data Engineering for Data-Scarce Software Systems: Reflections from the Breast Cancer Domain
• Title（参考訳）: データスカースソフトウェアシステムのためのプロパティ駆動型合成データエンジニアリング:乳癌領域からの考察
• Abstract要約: 医学を含む多くの重要な領域は、豊富な、共有可能な、または代表的なデータが不足している。 この問題をプロパティ駆動型合成データ工学と呼ぶ。 自動ソフトウェア工学の研究は、合成データの有効性を導き、形式化し、確認し、進化させるための方法とツールを開発するべきであると論じる。
• 参考スコア（独自算出の注目度）: 2.7929139983670463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern software systems increasingly depend on data for analysis, prediction, testing, and decision-making. Yet many important domains, including medicine, safety-critical systems, and regulated industries, lack abundant, shareable, or representative data. Synthetic data generation is often proposed as a remedy, but our experience engineering software for intraoperative radiotherapy (IORT) in breast cancer treatment suggests that synthetic data shifts rather than solves the central engineering problem. The key challenge becomes deciding which properties synthetic data must preserve, how these properties should be elicited from stakeholders, how they can be validated under privacy constraints, and how they evolve. We call this problem property-driven synthetic data engineering. Drawing on a collaboration with oncologists and preliminary experiments with a sensitive IORT dataset, we identify challenges in requirements, validation, privacy, and pipeline evolution. We argue that automated software engineering research should develop methods and tools for eliciting, formalizing, checking, and evolving validity properties for synthetic data in data-scarce software systems.
• Abstract（参考訳）: 現代のソフトウェアシステムは、分析、予測、テスト、意思決定のためのデータにますます依存している。 しかし、医療、安全クリティカルシステム、規制産業を含む多くの重要なドメインは、豊富な、共有可能な、あるいは代表的なデータを持っていない。 合成データ生成は治療薬として提案されることが多いが,乳がん治療における術中放射線治療(IORT)の経験から,総合的なデータ生成が中心的な工学的問題を解決するよりもむしろ変化していくことが示唆された。 重要な課題は、どのプロパティの合成データを保存するか、これらのプロパティをどのように利害関係者から引き出すか、どのようにプライバシの制約の下で検証するか、どのように進化するかを決定することである。 この問題をプロパティ駆動型合成データ工学と呼ぶ。 腫瘍学者とのコラボレーションと、機密性の高いIORTデータセットによる予備実験に基づいて、要求、検証、プライバシ、パイプラインの進化における課題を特定します。 自動ソフトウェア工学の研究は、データ共有ソフトウェアシステムにおける合成データの妥当性を抽出し、形式化し、検証し、進化させる方法とツールを開発するべきであると論じる。

関連論文リスト

• Reasoning-Driven Synthetic Data Generation and Evaluation [3.4565140548638884]
  Simulaはデータ生成と評価のための新しい推論駆動フレームワークである。 シードレスでエージェント的なアプローチで、大規模に合成データセットを生成する。 提案手法は,本質的特性と下流特性の両方を厳密に検証し,様々なデータセットに対して有効性を示す。
  論文  参考訳（メタデータ） (2026-03-31T14:26:33Z)
• What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
  我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。 本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
  論文  参考訳（メタデータ） (2025-11-02T17:09:29Z)
• Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
  因果推論は医療介入の開発と評価に不可欠である。 現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。 本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
  論文  参考訳（メタデータ） (2025-10-21T16:16:00Z)
• Synthetic Data for Robust AI Model Development in Regulated Enterprises [0.0]
  私たちは、高度に規制された産業の組織が、人工データを利用して堅牢なAIソリューションを構築する方法を示します。 我々は、AIモデルがより多様なデータから学べることによって、合成データが2つの大きな利点をもたらすことを実証した。 我々の研究は、人工データは規制産業におけるAIのゲームチェンジャーになり得ると考えている。
  論文  参考訳（メタデータ） (2025-03-16T04:46:41Z)
• Generation of synthetic data using breast cancer dataset and classification with resnet18 [0.0]
  合成データは、実際のデータの制約、ラベル付きデータの収集のコスト、プライバシとセキュリティの問題など、さまざまな理由から必要とされる。 GAN(Generative Adversarial Networks)と呼ばれるディープラーニングモデルは,合成データを生成する目的で開発された。 本研究では,乳腺病理組織学的データセットを用いて悪性および陰性にラベル付けされた合成パッチ画像を生成する。
  論文  参考訳（メタデータ） (2024-05-25T15:53:27Z)
• Synthetic Data in Radiological Imaging: Current State and Future Outlook [3.047958668050099]
  放射線学における人工知能(AI)ソリューションの開発と展開の鍵となる課題は、関連するデータ制限を解決することである。 サイリコデータでは、患者の損害の低減、コストの削減、データ取得の簡略化、スケーラビリティ、品質保証テストの改善、データ不均衡に対する緩和アプローチなど、患者のデータに潜在的なメリットがいくつか提供されている。
  論文  参考訳（メタデータ） (2024-05-08T18:35:47Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Enabling Synthetic Data adoption in regulated domains [1.9512796489908306]
  Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。 特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。 このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
  論文  参考訳（メタデータ） (2022-04-13T10:53:54Z)
• Maximizing information from chemical engineering data sets: Applications to machine learning [61.442473332320176]
  化学工学の応用において、古典的な人工知能のアプローチを適用するのが難しくなる4つの特徴を同定する。 それぞれのデータ特性について、これらのデータ特性が生じるアプリケーションについて論じ、現在の化学工学研究が、これらの課題を組み込むために、データサイエンスと機械学習の分野をどのように拡張しているかを示す。
  論文  参考訳（メタデータ） (2022-01-25T01:25:45Z)

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。