論文の概要: A Framework for the Systematic Review of ML Assets in AI Registries

• arxiv url: http://arxiv.org/abs/2610.09551v1
• Date: Wed, 07 Oct 2026 06:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.755646
• Title: A Framework for the Systematic Review of ML Assets in AI Registries
• Title（参考訳）: AIレジストリにおけるMLアセットの体系的レビューのためのフレームワーク
• Abstract要約: 現代のソフトウェアシステムはますます、システムの構築、評価、統合に機械学習(ML)の資産に依存している。 しかし,ML資産の現在の探索・選定・再利用は,体系的検索手法では支持されない。 本稿では,MLアセット検索を支援する体系的レビュー手法について検討する。
• 参考スコア（独自算出の注目度）: 43.48024589076806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Modern software systems increasingly rely on Machine Learning (ML) assets (i.e., pre-trained models, datasets, benchmarks) for building, evaluating, and integrating ML-based systems. However, current exploration, selection and reuse practices of ML assets are not supported by systematic retrieval methodologies comparable to those used in traditional evidence synthesis. Consequently, in practice, ML asset selection is often presented as a settled design decision, supported by informal justification rather than a traceable, evidence-based, and updatable selection process. Aims: This paper explores how systematic review methods can support ML asset retrieval. In doing so, we aim to make their selection transparent and reproducible, grounded in explicit evidence, and ultimately better suited to its intended use. Method: We analyze established systematic review practices from scientific literature and adapt their phases (i.e., planning, conducting, and documenting) to Artificial Intelligence (AI) registries, treating ML assets as first-class units of analysis. The resulting framework integrates registry-aware search strategies, cross-registry schema alignment, and dependency-driven ML asset exploration. Results: We conceptualize ML asset retrieval as a systematic and reproducible process rather than an ad hoc activity, and propose a framework for structured ML asset discovery. \textbf{Conclusions:} This work illustrates how systematic review principles can be extended beyond scientific literature to support evidence synthesis over evolving AI registries.
• Abstract（参考訳）: 背景: 現代のソフトウェアシステムは、MLベースのシステムの構築、評価、統合のために、機械学習(ML)資産(事前訓練されたモデル、データセット、ベンチマーク)にますます依存している。 しかし,MLアセットの現在の探索,選択,再利用の実践は,従来のエビデンス合成と同等の体系的検索手法では支持されない。 その結果、MLアセットの選択は、トレース可能、エビデンスベース、およびアップダブルな選択プロセスではなく、非公式な正当化によって支持される、落ち着いた設計決定として提示されることが多い。 Aims: 本論文では,MLアセット検索を支援する体系的レビュー手法について検討する。 そうすることで、我々はそれらの選択を透明で再現可能にし、明確な証拠を根拠にし、究極的には意図された使用に適合させることを目指しています。 方法: 学術文献から確立された体系的レビューの実践を分析し, その段階(計画, 実行, 文書化)を人工知能(AI)登録に適応させ, ML資産を分析の第一級単位として扱う。 その結果生まれたフレームワークは、レジストリ対応の検索戦略、クロスレジストリスキーマアライメント、依存関係駆動のMLアセット探索を統合している。 結果:我々は,MLアセット検索をアドホックな活動ではなく,体系的で再現可能なプロセスとして概念化し,構造化MLアセット発見のための枠組みを提案する。 この研究は、進化するAIレジストリよりもエビデンス合成をサポートするために、科学的文献を超えて体系的なレビュー原則をどのように拡張できるかを示す。

関連論文リスト

• MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI [92.82821272460423]
  MLS-Benchは、AIシステムが一般化可能なスケーラブルなMLメソッドを発明できるかどうかを評価するためのベンチマークである。 本研究では, エージェントの探索性能に及ぼすテスト時間スケーリング, 適応型計算アロケーション, コンテキストプロビジョニングの影響について検討する。
  論文  参考訳（メタデータ） (2026-05-09T04:29:46Z)
• ROSE: Retrieval-Oriented Segmentation Enhancement [79.7370065070812]
  既存のマルチモーダル大言語モデル(MLLM)に基づくセグメンテーションモデルは、最新の知識を組み込むことができないため、しばしば新しいまたは新しいエンティティと競合する。 本論文では,学習データがないためMLLMが認識できない新規なエンティティのセグメンテーションと,モデルの知識の中に存在するが,正確な認識のために最新の情報を要求する新興エンティティのセグメンテーションに焦点を当てた,NEST(Novel Emerging Task)を紹介した。 Rose: Retrieval-Oriented Enhancementは、MLLMベースのセグメンテーションモデルを拡張するために設計されたプラグインとプレイのフレームワークです。
  論文  参考訳（メタデータ） (2026-04-15T17:59:35Z)
• Green Architectural Tactics in ML-enabled Systems: An LLM-based Repository Mining Study [11.880262511710642]
  グリーンAIは、精度を犠牲にすることなく効率を向上することでこれらの問題に対処している。 我々は,GitHub上の205のオープンソースMLプロジェクトについて,マイニングソフトウェアリポジトリ調査を実施している。 文献で報告された緑地の戦術は,採用率に違いはあるものの,実際に用いられていることが確認された。
  論文  参考訳（メタデータ） (2026-03-19T10:34:53Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
  大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。 メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:55Z)
• The Integration of Machine Learning into Automated Test Generation: A Systematic Mapping Study [15.016047591601094]
  我々は、新しい研究、テストプラクティス、研究者の目標、適用されたML技術、評価、課題を特徴づける。 MLはシステム、GUI、ユニット、パフォーマンス、テストのための入力を生成したり、既存の生成メソッドのパフォーマンスを改善したりする。
  論文  参考訳（メタデータ） (2022-06-21T09:26:25Z)

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。