論文の概要: The Impact of Operational-Data Fidelity when Assessing Safety-Critical Autonomous-Vehicle Software
- arxiv url: http://arxiv.org/abs/2608.10025v1
- Date: Sun, 09 Aug 2026 17:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.759689
- Title: The Impact of Operational-Data Fidelity when Assessing Safety-Critical Autonomous-Vehicle Software
- Title（参考訳）: 安全クリティカルな自動運転ソフトウェアの評価における運用データ忠実度の影響
- Abstract要約: 安全クリティカルなソフトウェアでは、ソフトウェア運用過去のデータは、過去のソフトウェア障害イベントを十分に詳細に記述していないかもしれない。
運用データの不十分な詳細が、ソフトウェア信頼性の要求を損なう可能性があることを実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For safety-critical software, data from the software's operational past (e.g. a sequence of success and failure events experienced by the software) can provide strong statistical support for reliability claims about the software. However, such data might not describe past software failure events in sufficient detail, and this might leave a reliability assessment (based on this data) unable to account for important features of past software failures. In this paper, by extending conservative Bayesian inference (CBI) techniques used in reliability assessment, we illustrate a principled statistical approach for checking the robustness of reliability claims derived from insufficiently detailed operational data. We demonstrate the extent to which insufficient detail in operational data can undermine software reliability claims in autonomous vehicle (AV) safety assessment scenarios. Reliability claims derived from insufficiently fine-grained data might be dangerously optimistic, despite a concerted effort by an assessor to use such data conservatively during the assessment. While these findings are consistent with previous work on the impact of statistical model fidelity in Bayesian software reliability assessments, our work clarifies why attempts to use low-fidelity data conservatively can be naive, and we give the first conservative estimates of the impact of data fidelity on assessments.
- Abstract（参考訳）: 安全クリティカルなソフトウェアでは、ソフトウェアの運用過去のデータ(例えば、ソフトウェアが経験した一連の成功と失敗イベント)は、ソフトウェアに関する信頼性の主張に対して強力な統計的支援を提供する。
しかし、そのようなデータは過去のソフトウェア障害イベントを十分に詳細に記述していないかもしれないし、過去のソフトウェア障害の重要な特徴を考慮できない信頼性評価(このデータに基づく)を残すかもしれない。
本稿では,信頼性評価に使用される保守的ベイズ推論(CBI)技術を拡張することにより,不十分な詳細な運用データから得られる信頼性クレームのロバスト性をチェックするための統計的手法について述べる。
自律走行車(AV)の安全性評価シナリオにおいて,運用データの不十分な詳細化がソフトウェア信頼性の主張を損なう可能性を実証する。
微粒化が不十分なデータから得られた信頼性の主張は、アセスメント中にそのようなデータを保守的に利用しようとするアセスメント担当者の協力にもかかわらず、危険なほど楽観的である可能性がある。
これらの結果は,ベイジアンソフトウェア信頼性評価における統計モデル忠実度の影響に関する過去の研究と一致しているが,低忠実度データを保守的に利用しようとする試みがなぜ容易かを明らかにするとともに,データ忠実度が評価に与える影響に関する最初の保守的な評価を与える。
関連論文リスト
- Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。
本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。
本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
論文 参考訳（メタデータ） (2026-05-29T03:52:44Z) - Statistical-Based Metric Threshold Setting Method for Software Fault Prediction in Firmware Projects: An Industrial Experience [4.339839287869652]
マシンラーニングベースのフォールト予測モデルは高い精度を示しているが、解釈可能性の欠如により、産業環境での採用が制限されている。
本稿では,産業環境における故障検出への統合に適したコンテキスト固有のソフトウェアメトリックしきい値を定義するための構造化プロセスを提案する。
提案手法は,一組のプロジェクトからしきい値を取得し,個別に開発したファームウェアに適用することにより,プロジェクト間の障害予測を支援する。
論文 参考訳（メタデータ） (2026-02-06T16:19:36Z) - Conservative Software Reliability Assessments Using Collections of Bayesian Inference Problems [0.0]
ソフトウェア障害の発生をモデル化するために、Bernoulliプロセスを使用します。
ソフトウェアが将来失敗することなく動作している最悪の後続予測確率を明示的に決定する。
この研究は、強ベイズ的推論結果といわゆる保守的ベイズ的推論方法を拡張する。
論文 参考訳（メタデータ） (2025-11-10T12:36:35Z) - Walk the Talk: Is Your Log-based Software Reliability Maintenance System Really Reliable? [18.587739647424716]
本稿では、サービス提供者の信頼を得るためのモデルに対する信頼性基準、診断忠実度を定義する。
本稿では,忠実なログに基づく異常検出システムであるFaithLogを提案する。
論文 参考訳（メタデータ） (2025-09-29T06:52:40Z) - Mind the Generation Process: Fine-Grained Confidence Estimation During LLM Generation [63.49409574310576]
大規模言語モデル(LLM)は自信過剰を示し、信頼度の高いスコアを誤った予測に割り当てる。
本研究では,テキスト生成中に高精度できめ細かな信頼スコアを提供する信頼度推定手法であるFineCEを紹介する。
論文で使用されたコードとすべてのベースラインはGitHubで公開されている。
論文 参考訳（メタデータ） (2025-08-16T13:29:35Z) - Evaluating the Evaluators: Trust in Adversarial Robustness Tests [17.06660302788049]
AttackBenchは、新しい最適度基準に基づいて既存の攻撃実装をランク付けする評価ツールである。
このフレームワークは、一貫したテスト条件を実行し、継続的な更新を可能にする。
論文 参考訳（メタデータ） (2025-07-04T10:07:26Z) - Confidential Guardian: Cryptographically Prohibiting the Abuse of Model Abstention [65.47632669243657]
不正直な機関は、不確実性の観点からサービスを差別または不正に否定する機構を利用することができる。
我々は、ミラージュと呼ばれる不確実性誘導攻撃を導入することで、この脅威の実践性を実証する。
本研究では,参照データセット上のキャリブレーションメトリクスを分析し,人工的に抑制された信頼度を検出するフレームワークであるConfidential Guardianを提案する。
論文 参考訳（メタデータ） (2025-05-29T19:47:50Z) - Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。
AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。
さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
論文 参考訳（メタデータ） (2025-05-28T20:22:43Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳（メタデータ） (2023-03-11T11:42:26Z) - Demonstrating Software Reliability using Possibly Correlated Tests:
Insights from a Conservative Bayesian Approach [2.152298082788376]
我々は、実行が独立したことを「疑う」という非公式な概念を定式化する。
我々は、独立仮定が、評価において保守主義を損なうことができる範囲を明らかにする技術を開発する。
論文 参考訳（メタデータ） (2022-08-16T20:27:47Z)
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。