論文の概要: Triangulating Across U.S. Federal AI Transparency Regimes
- arxiv url: http://arxiv.org/abs/2607.29540v1
- Date: Fri, 31 Jul 2026 15:36:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 16:35:22.247509
- Title: Triangulating Across U.S. Federal AI Transparency Regimes
- Title（参考訳）: 米国連邦政府のAI透明性規則のトライアングル化
- Authors: Emma Lurie, Emma Fauser, Qing He, Danaé Metaxa, Sorelle A. Friedler,
- Abstract要約: 本稿では、既存の3つの連邦政府の透明性体制について検討する。
政府のAI利用について、個々に、そして同時に、いかにうまく表現しているかを問う。
政府がどのようにAIを構築し、デプロイするかを、単一の体制が完全に明らかにしていないことが分かっています。
- 参考スコア（独自算出の注目度）: 6.739177252343933
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Federal AI systems can deny benefits or flag individuals for deportation, but the public disclosures meant to make those systems visible are fragmented and unevenly detailed. This paper examines three existing U.S. federal transparency regimes---System of Records Notices (SORNs), Information Collection Requests (ICRs), and the AI Use Case Inventory---and asks how well they, individually and together, describe government AI use. We find that no single regime fully reveals how the government constructs or deploys AI: each discloses different aspects of a system, and the current disclosure infrastructure makes it very challenging for the public to track specific AI systems across regulatory regimes and over time. Persistent identifiers are absent, granularity varies widely, and the annual AI Use Case Inventory cycle means federal agencies can deploy systems months before appearing in any official record. Using hand-validated zero-shot classification and cross-document entity resolution, we contribute a triangulation method that links disclosures across all three regimes and present two case studies. Our case studies finds that linking records provides greater insight into government AI use, but even linked records would constitute insufficient oversight compared to what public reporting has revealed about the same systems. We trace each regime's disclosure weaknesses to its original administrative purpose, showing these gaps are structural, and offer recommendations focused on the AI Use Case Inventory as the mechanism best suited for public-facing transparency: (1) a broad and consistently applied AI system definition, (2) persistent system identifiers with cross-references to related disclosures, and (3) restored public visibility into risk management processes.
- Abstract（参考訳）: 連邦政府のAIシステムは、国外追放の利益を否定したり、個人にフラグを付けることができるが、それらのシステムを見える化するための公開開示は、断片化され、不均一に詳細である。
本稿は、米国連邦政府の既存の透明性体制である、SORN(System of Records Notices)、ICR(Information Collection Requests)、AI Use Case Inventory(AIユースケースインベントリ)の3つについて検討し、政府によるAI利用について、個々に、かつ、一緒に、いかにうまく記述しているかを問う。
それぞれがシステムのさまざまな側面を公開しており、現在の公開インフラストラクチャは、規制体制全体や時間の経過とともに、特定のAIシステムを追跡することが非常に困難である。
永続的な識別子は欠如しており、粒度は様々であり、毎年のAIユースケースインベントリサイクルは、連邦政府機関が公式記録に現れる前にシステムをデプロイできることを意味している。
本研究は,手動によるゼロショット分類とクロスドキュメント・エンティティ・解決を用いて,3つのレシスタンスにまたがる開示をリンクする三角法を提案し,その2つのケーススタディを提案する。
私たちのケーススタディでは、リンクレコードは政府のAI利用に関する洞察をより深めるが、リンクされたレコードでさえ、同じシステムについて公表された公開レポートと比較して、監視に不十分なものになる。
我々は、各体制の開示の弱点を、その当初の管理目的に遡り、これらのギャップが構造的であることを示し、AIユースケースインベントリを公共向け透明性に最も適したメカニズムとして推奨する:(1)広範かつ一貫して適用されたAIシステム定義、(2)関連する開示への相互参照を伴う永続的なシステム識別子、(3)リスク管理プロセスへのパブリックな可視性回復。
関連論文リスト
- FLARE-AI: Flaw Reporting for AI [51.64618567247884]
デプロイされたAIシステムの欠陥報告は、システムの障害を特定し、AIの安全性を改善するために不可欠である。
しかし、AIレポートのエコシステムは断片化されている。欠陥を特定する研究者は、報告すべきことを知らないことが多く、レポートを受け取るグループは、他の関連するステークホルダーと共有することはめったにない。
私たちは、AI開発者、サイバーセキュリティグループ、AI欠陥アグリゲータによって公表された12のレポートシステムを監査します。
我々は、既存のシステムとの相互運用性のために設計された、オープンソースのAI欠陥報告システムであるFLARE-AIを紹介する。
論文 参考訳（メタデータ） (2026-06-30T12:27:09Z) - From Democracies to Autocracies: How AI Systems Enable Authoritarianism by Design [8.539323348149509]
米国から中国まで、さまざまな政治体制に展開されている6つのAIシステムのライフサイクルをマップします。
我々は,法執行及び政治的処罰のための行政データの中央集権化と共同利用を可能とした。
また、中央集権的なAIシステムと断片化されたAIシステムは、ガバナンスのギャップを活用することによって、権威主義に寄与する。
論文 参考訳（メタデータ） (2026-06-15T20:50:56Z) - Algorithmic Governance in the United States: A Multi-Level Case Analysis of AI Deployment Across Federal, State, and Municipal Authorities [0.0]
この研究は、米国における連邦、州、自治体のレベルでAIがどのように使われているかを調べる。
連邦政府レベルでは、AIは多くの場合、高いコントロールのためのツールとして制度化されている。
州政府は、AIがしばしば支援機能とアルゴリズムのゲートキーピングを組み合わせた、よりあいまいな中核を占有している。
論文 参考訳（メタデータ） (2026-02-09T14:36:32Z) - Concerning the Responsible Use of AI in the US Criminal Justice System [5.5215545294476485]
Piece氏は、AIのデータ、ロジック、制限の明確な説明を提唱している。
AIシステムのバイアスに対処し、説明責任を維持するために定期的な監査を求める。
論文 参考訳（メタデータ） (2025-05-30T20:33:42Z) - Artificial Intelligence in Government: Why People Feel They Lose Control [44.99833362998488]
行政における人工知能の利用は急速に拡大している。
AIはより効率と応答性を約束するが、政府機能への統合は公正性、透明性、説明責任に関する懸念を提起する。
この記事では、デリゲートの特別事例として、AI導入に関するプリンシパル・エージェント理論を適用します。
論文 参考訳（メタデータ） (2025-05-02T07:46:41Z) - In-House Evaluation Is Not Enough: Towards Robust Third-Party Flaw Disclosure for General-Purpose AI [93.33036653316591]
我々はシステムの安全性を高めるために3つの介入を要求します。
まず、標準化されたAI欠陥レポートと研究者へのエンゲージメントのルールを用いることを提案する。
第2に,GPAIシステムプロバイダが広視野欠陥開示プログラムを採用することを提案する。
第3に,欠陥報告の分布を調整するための改良されたインフラの開発を提唱する。
論文 参考訳（メタデータ） (2025-03-21T05:09:46Z) - Ensuring Fairness with Transparent Auditing of Quantitative Bias in AI Systems [0.30693357740321775]
AIシステムは、意思決定者が不公平な結論を導くバイアスを示す可能性がある。
本稿では,サードパーティの監査官やAIシステムプロバイダによるAIフェアネスの監査を行うフレームワークを提案する。
我々は,AIシステムの体系的な検査を容易にするツールを開発した。
論文 参考訳（メタデータ） (2024-08-24T17:16:50Z) - How VADER is your AI? Towards a definition of artificial intelligence systems appropriate for regulation [39.58317527488534]
最近のAI規制提案では、ICT技術、アプローチ、AIではないシステムに影響を与えるAI定義が採用されている。
本稿では,AI定義の規制(VADER)が適切に定義されているかを評価するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-07T17:41:15Z) - Think About the Stakeholders First! Towards an Algorithmic Transparency
Playbook for Regulatory Compliance [14.043062659347427]
世界中の政府によって、公共および民間セクターに導入された人工知能(AI)システムを規制するための法律が提案され、可決されている。
これらの規則の多くは、AIシステムの透明性と、関連する市民意識の問題に対処している。
我々は,透明で規制に適合したシステムを設計する上で,技術者を支援する新たな利害関係者優先のアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-10T09:39:00Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
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。