論文の概要: A Large-Scale Measurement of AI Bill of Materials Completeness in Hugging Face Models

• arxiv url: http://arxiv.org/abs/2607.17242v1
• Date: Sun, 19 Jul 2026 13:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.409671
• Title: A Large-Scale Measurement of AI Bill of Materials Completeness in Hugging Face Models
• Title（参考訳）: ジャグリング顔モデルにおける材料完全性のAI請求書の大規模測定
• Abstract要約: 事前トレーニングされた機械学習(ML)モデルは、開発者がスクラッチからモデルをトレーニングせずにML集約型のソフトウェアシステムを構築するのに役立つ。 モデルリポジトリは、モデル証明、ライセンス、データセット、制限、外部参照に関する不完全なマシン可読なドキュメントを提供することが多い。 本稿では,AIBOMの完全性について実験的に検討し,レポジトリがAIBOM関連情報を機械可読型AIサプライチェーンドキュメンテーションに提供する範囲として定義する。
• 参考スコア（独自算出の注目度）: 0.2230291569252836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained machine learning (ML) models help developers build ML-intensive software systems without training models from scratch. However, model repositories often provide incomplete machine-readable documentation about model provenance, licenses, datasets, limitations, and external references, creating transparency and governance gaps across the AI supply chain. Artificial Intelligence Bills of Materials (AIBOMs) address these gaps by documenting AI artifacts, including models, metadata, licenses, datasets, model-card information, and external references. Taking public Hugging Face (HF) model repositories as a case study, this paper empirically investigates AIBOM completeness, defined as the extent to which repositories provide AIBOM-relevant information for machine-readable AI supply-chain documentation. We examine approximately 97.5K AIBOM artifacts to assess the extent to which generated AIBOMs: (i) contain required structural and metadata fields, (ii) represent model identity, license, and external-reference information, (iii) capture model-card documentation such as datasets, limitations, safety-risk assessment, and environmental information, and (iv) vary in documentation coverage across repository and artifact characteristics such as task, license availability, dataset declaration, model family, and paper reference. Results indicate that generated AIBOMs provide complete coverage of required AIBOM structure but limited AI-specific documentation completeness. Required fields are fully represented, but model-card, metadata, responsible-use, environmental, limitation, and meaningful-description fields remain weakly represented or missing across generated artifacts. Our findings motivate improved model-card practices, repository-level traceability, and automated AIBOM validation to advance the generation and adoption of more complete AIBOMs.
• Abstract（参考訳）: 事前トレーニングされた機械学習(ML)モデルは、開発者がスクラッチからモデルをトレーニングせずにML集約型のソフトウェアシステムを構築するのに役立つ。 しかしながら、モデルリポジトリは、モデル前例、ライセンス、データセット、制限、外部参照に関する不完全なマシン可読なドキュメントを提供し、AIサプライチェーン全体の透明性とガバナンスギャップを創出する。 AIBOM(Artificial Intelligence Bills of Materials)は、モデル、メタデータ、ライセンス、データセット、モデルカード情報、外部リファレンスを含むAIアーティファクトをドキュメント化することで、これらのギャップに対処する。 本稿では、AIBOMの完全性について実証研究を行い、AIBOM関連情報を機械可読型AIサプライチェーンドキュメンテーションに提供する範囲として定義する。 生成したAIBOMの程度を評価するため,約97.5KのAIBOMアーティファクトについて検討する。 i) 必要な構造体及びメタデータフィールドを含む。 (ii) モデル識別、ライセンス及び外部参照情報を表す。 三 データセット、制限、安全リスク評価、環境情報等のモデルカード書類の取得 (iv) ドキュメントのカバレッジは、タスク、ライセンス可利用性、データセット宣言、モデルファミリー、論文参照など、リポジトリやアーティファクトの特徴によって異なります。 その結果、生成されたAIBOMは必要なAIBOM構造を網羅するが、AI固有のドキュメントの完全性には制限があることがわかった。 要求されたフィールドは、完全に表現されているが、モデルカード、メタデータ、責任ある使用、環境、制限、意味のある記述フィールドは、生成したアーティファクト間で弱い表現または欠落のままである。 我々の研究は、モデルカードのプラクティスの改善、リポジトリレベルのトレーサビリティ、AIBOMの自動検証を動機付け、より完全なAIBOMの生成と採用を進めた。

関連論文リスト

• Learnware and AI Model Management System [60.917028769172795]
  既存のモデルプールは基本的にtextitAIモデルストレージシステムとして機能する。 異なる開発者によってトレーニングされたモデルは、将来のユーザタスクに対処するために識別、再利用、組み立てることができます。 textitLearnware Dock System (LDS)は強力なAIモデル管理システムへの道筋を提供する。
  論文  参考訳（メタデータ） (2026-09-10T15:01:27Z)
• AdaQE-CG: Adaptive Query Expansion for Web-Scale Generative AI Model and Data Card Generation [6.289039465679207]
  本稿では,動的情報抽出とカード間知識伝達を組み合わせたカード生成用適応クエリ拡張フレームワークであるAdaQE-CGを提案する。 AdaQE-CGは、既存のアプローチを大幅に上回り、人間によるデータカードを超え、モデルカードの人間レベルの品質にアプローチする。 私たちは、GAIドキュメントを評価するための、最初の大規模でエキスパートアノテートされたベンチマークであるMetaGAI-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-03-16T04:02:56Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Large Language Model Sourcing: A Survey [84.63438376832471]
  大規模言語モデル(LLM)は人工知能に革命をもたらし、目的的タスクのサポートから主観的な意思決定の強化へと移行した。 LLMのブラックボックスの性質と生成したコンテンツの人間的品質のため、幻覚、偏見、不公平さ、著作権侵害などの問題が重要になる。 本研究は,4つの相互関連次元を中心に整理されたLCMによるコンテンツの出所追跡について,系統的研究を行った。
  論文  参考訳（メタデータ） (2025-10-11T10:52:30Z)
• TechOps: Technical Documentation Templates for the AI Act [4.205946699819021]
  本稿では、データ、モデル、アプリケーションの文書化のためのオープンソースのテンプレートと例を紹介する。 これらのテンプレートは、AIライフサイクル全体のシステムステータスを追跡する。 また、発見可能性とコラボレーションを促進し、リスクを低減し、AIドキュメントとガバナンスのベストプラクティスと整合させる。
  論文  参考訳（メタデータ） (2025-08-12T09:58:33Z)
• AI Model Passport: Data and System Traceability Framework for Transparent AI in Health [4.024232575199211]
  本稿では,構造化および標準化されたドキュメントフレームワークであるAI Model Passportの概念を紹介する。 ライフサイクル全体にわたってAIモデルを特定し、検証し、追跡し、監視するために必要なメタデータをキャプチャする。 このフレームワークの実装は、医療画像アプリケーションのためのProCAncer-I EUプロジェクト内で開発されたMLOpsツールであるAIPassportを通じて提示される。
  論文  参考訳（メタデータ） (2025-06-27T16:16:15Z)
• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• The Responsible Foundation Model Development Cheatsheet: A Review of Tools & Resources [100.23208165760114]
  ファンデーションモデル開発は、急速に成長するコントリビュータ、科学者、アプリケーションを引き付けている。 責任ある開発プラクティスを形成するために、我々はFoundation Model Development Cheatsheetを紹介します。
  論文  参考訳（メタデータ） (2024-06-24T15:55:49Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Data Cards: Purposeful and Transparent Dataset Documentation for Responsible AI [0.0]
  我々は、データセットの透明性、目的、人間中心のドキュメンテーションを促進するためのデータカードを提案する。 データカードは、利害関係者が必要とするMLデータセットのさまざまな側面に関する重要な事実の要約である。 実世界のユーティリティと人間中心性にデータカードを基盤とするフレームワークを提示する。
  論文  参考訳（メタデータ） (2022-04-03T13:49:36Z)
• Providing Assurance and Scrutability on Shared Data and Machine Learning Models with Verifiable Credentials [0.0]
  実践者は、関連する信頼できるデータを使用することにAI開発者を頼っている。 科学者は、データリソースの品質を証明する署名された認証情報を発行できます。 BOMは、AIシステムのサプライチェーンの追跡可能な記録を提供します。
  論文  参考訳（メタデータ） (2021-05-13T15:58:05Z)

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。