論文の概要: A Mathematical Framework for Legacy, Governance, and Decision Integrity in Enterprise AI
- arxiv url: http://arxiv.org/abs/2609.00572v1
- Date: Tue, 01 Sep 2026 02:06:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.236633
- Title: A Mathematical Framework for Legacy, Governance, and Decision Integrity in Enterprise AI
- Title（参考訳）: エンタープライズAIにおけるレガシー・ガバナンス・意思決定統合のための数学的枠組み
- Authors: Shorab Sarker,
- Abstract要約: 本稿では,制度的遺産のためのデザイン・サイエンス・フレームワークを開発する。
i) 知識保持、ガバナンス、人間の監督、適応性、フィードバック学習、および管轄権の忠実さという、厳格化された幾何学的平均に基づく正規化されたレガシースコア。
また、8つのAI決定整合性ルール、評価プロトコル、再現可能な計算実証も提案している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprise artificial intelligence is increasingly embedded in decisions that must remain lawful, explainable, adaptable, and accountable despite personnel turnover, model replacement, regulatory change, and shifting organizational incentives. Existing governance frameworks provide important principles but do not by themselves supply a compact mathematical language for evaluating whether an institution can preserve sound judgment over time. This paper develops a design-science framework for institutional legacy: the durable capacity of a decision system to continue producing beneficial, lawful, explainable, and adaptable outcomes after its original designers have stepped away. The framework contributes: (i) a normalized Legacy Score based on a penalized geometric mean of knowledge retention, governance, human oversight, adaptability, feedback learning, and jurisdictional fidelity; (ii) Decision Confidence and Decision Risk models separating evidentiary confidence from consequence; (iii) authority-aware retrieval and calibrated abstention; (iv) Decision Memory for governed organizational learning; (v) Regulatory Change Velocity mapping change exposure to review intervals; and (vi) a federated regulatory knowledge-graph architecture preserving provenance and legal hierarchy. The paper also proposes eight AI Decision Integrity Rules, an evaluation protocol, and a reproducible computational demonstration. The demonstration combines a deterministic stress test with 200 Monte Carlo replications of 10,000 synthetic decisions each, illustrating Legacy Score non-compensation and comparing consequence- and authority-aware routing with a matched-coverage confidence-only baseline. The contribution remains conceptual rather than field-validated; the simulation tests internal behavior, not production performance, and all parameters require context-specific calibration.
- Abstract（参考訳）: 企業人工知能は、人事の転任、モデルの置き換え、規制の変更、組織的なインセンティブのシフトにもかかわらず、法的、説明可能な、適応可能な、説明可能な、説明責任のある決定にますます浸透している。
既存のガバナンスフレームワークは重要な原則を提供するが、組織が時間とともに健全な判断を維持できるかどうかを評価するためのコンパクトな数学的言語をそれ自体は提供していない。
本稿では,制度的遺産のためのデザイン・サイエンス・フレームワークを開発する。原設計者が退社した後も,有益で合法的で,説明可能な,適応可能な成果を引き続き生み出すための意思決定システムの永続的能力である。
フレームワークが貢献する。
一 知識保持、統治、人的監督、適応性、フィードバック学習及び司法的信条に関する罰せられた幾何学的平均に基づく正規化レガシースコア
2 決定信頼度及び決定リスクモデルであって、明らかな信頼度と結果とを区別すること。
三 権限を意識した検索及び校正棄権
四 管理組織学習のための決定記憶
五 調整変更速度図の見直し間隔への露出
(vi) 証明及び法的な階層を保持する連邦規制知識グラフアーキテクチャ。
また,8つのAI決定整合性ルール,評価プロトコル,再現可能な計算実証を提案する。
デモでは、決定論的ストレステストと、それぞれ1万の合成決定の200のモンテカルロレプリケーションを組み合わせることで、レガシースコアの非補償を説明し、結果と権限を意識したルーティングと、一致したカバレッジの信頼性のみのベースラインを比較する。
シミュレーションは内部の振る舞いをテストし、生産性能ではなく、全てのパラメータは文脈固有のキャリブレーションを必要とする。
関連論文リスト
- Machine Learning as Performative Materialist Practice: Thirteen Theses on the Epistemology, Methodology, and Politics of Applied ML [45.88028371034407]
機械学習モデルは、介入の手段として機能する時間的位置圧縮として最もよく理解されている。
これらの処方薬は、どのようにいくつかの実用的な処方薬を統合するかを示す。
論文 参考訳（メタデータ） (2026-05-20T22:24:34Z) - Intentionality is a Design Decision: Measuring Functional Intentionality for Accountable AI Systems [3.4217039995100555]
本稿では,目的,前見,意志,時間的コミットメント,一貫性を特徴とする行動プロファイルとして意図性を定義した。
機能的意図性テスト(FIT)は,5次元にわたって意図的な振る舞いを定量化する多次元フレームワークである。
本研究では,意図の抽出と評価のための構造化評価プロトコルであるFIT-Evalを提案する。
論文 参考訳（メタデータ） (2026-05-06T21:53:40Z) - Governed Reasoning for Institutional AI [0.0]
認知コア(Cognitive Core)は、9種類の認知プリミティブから構築された決定基盤である。
ヒューマンレビューは、ポストホックチェックではなく実行条件である。
我々は、11ケースの事前承認控訴評価セットで3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-04-12T14:09:18Z) - The Principle of Proportional Duty: A Knowledge-Duty Framework for Ethical Equilibrium in Human and Artificial Systems [0.0]
本稿では,倫理的責任がエージェントのてんかん状態とどのようにスケールするかをモデル化する新しい枠組みであるProportional Duty(PPD)について紹介する。
不確実性の増加に伴い、Action Duty(決定的に行動する義務)は、補修デューティ(不確実性を確認し、調査し、解決する活動的義務)に比例的に変換される。
本稿では,臨床倫理,受取権法,経済ガバナンス,人工知能の4分野にまたがる枠組みを適用し,学際的妥当性を実証する。
論文 参考訳（メタデータ） (2025-12-07T02:37:07Z) - Zero-shot reasoning for simulating scholarly peer-review [0.0]
本稿では、AI生成ピアレビューレポートを評価するための、最初の安定的でエビデンスに基づく標準を提供する決定論的シミュレーションフレームワークについて検討する。
第一に、このシステムは校正された編集判断をシミュレートすることができ、「改訂」決定が一貫して多数決結果を形成する。
第二に、手続きの整合性を揺るぎないまま維持し、安定した29%の証明の遵守率を強制する。
論文 参考訳（メタデータ） (2025-10-02T13:59:14Z) - From Faithfulness to Correctness: Generative Reward Models that Think Critically [40.07140704454647]
本稿では,批判的思考能力を持つ報酬モデルを実現するために,思考監督リワードモデル(TRM)を提案する。
問合せ、回答、支援文書が与えられたとき、TRMはまず各回答文の忠実さを支援文書に評価し、その後、文レベルの正しさを評価するための推論ステップを適用する。
論文 参考訳（メタデータ） (2025-09-29T19:06:56Z) - SCI-Verifier: Scientific Verifier with Thinking [37.08904000514563]
大規模言語モデル(LLM)は、科学的推論にますます応用されている。
科学的領域における既存の検証研究は2つの大きな限界に悩まされている。
データレベルとモデルレベルでのソリューションを提案する。
論文 参考訳（メタデータ） (2025-09-29T04:58:43Z) - Coarse Set Theory for AI Ethics and Decision-Making: A Mathematical Framework for Granular Evaluations [0.0]
粗い倫理 (CE) は、文字のグレードや警告ラベルなどの粗い評価を、認知的および文脈的制約の下で倫理的に適切であるものとして正当化する理論的な枠組みである。
本稿では、完全順序構造と粗い分割を用いた粗粒度決定をモデル化する新しい数学的枠組みである粗粒度集合論(CST)を紹介する。
CSTは集合間の階層的関係を定義し、Kulback-Leibler Divergenceのような情報理論ツールを使用して、単純化と情報損失の間のトレードオフを定量化する。
論文 参考訳（メタデータ） (2025-02-11T08:18:37Z) - The simulation of judgment in LLMs [32.57692724251287]
大規模言語モデル(LLM)は、情報フィルタリングから説明と信頼性の判断を通じて知識ギャップの評価と対処に至るまで、評価プロセスに組み込まれている。
これにより、このような評価がどのように構築されるのか、どのような仮定に依存しているのか、その戦略が人間のものとどのように異なるのかを調べる必要が生じる。
我々は、専門家の評価に対して、6つのLCM(NewsGuardとMedia Bias/Fact Check)と、制御された実験を通して収集された人間の判断に対してベンチマークを行った。
論文 参考訳（メタデータ） (2025-02-06T18:52:10Z) - On the Complexity of Adversarial Decision Making [101.14158787665252]
決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。
我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
論文 参考訳（メタデータ） (2022-06-27T06:20:37Z) - Reinforcement Learning based Collective Entity Alignment with Adaptive
Features [35.04861875266298]
本稿では,エンティティを集合的にアライメントする強化学習(RL)モデルを提案する。
RLフレームワークでは、相互依存と集団アライメントを特徴付けるコヒーレンスと排他的性制約を考案しています。
提案手法は,言語横断型と単言語型の両方のEAベンチマークで評価し,最先端のソリューションと比較した。
論文 参考訳（メタデータ） (2021-01-05T05:04:09Z)
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。