論文の概要: Transparent Information Flow Modeling for Role-Aware AI Act Assessment
- arxiv url: http://arxiv.org/abs/2610.16916v1
- Date: Mon, 12 Oct 2026 14:59:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.392411
- Title: Transparent Information Flow Modeling for Role-Aware AI Act Assessment
- Title（参考訳）: 役割認識型AI行為評価のための透明情報フローモデリング
- Abstract要約: 欧州連合の人工知能法は、リスクの高いAIシステムを管理するための構造化された枠組みを導入している。
現在のアセスメントのプラクティスは、モノリシックなシステムビューや非接続のチェックリストに依存していることが多い。
このようなモデリングは、効果的でコンテキストに敏感なAIガバナンスと説明責任のための基礎的なツールである、と私たちは主張する。
- 参考スコア（独自算出の注目度）: 1.290382979353427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The European Union's Artificial Intelligence Act introduces a structured framework for governing high-risk AI systems, emphasizing transparency, risk management, and role-specific accountability. However, current assessment practices often rely on monolithic system views or disconnected checklists, limiting their ability to capture the socio-technical complexity of real-world deployments. We explore the use of the Information Flow Methodology (IFM), a modeling-based approach to AI Act compliance assessment. IFM represents decision systems -- whether algorithmic, human, or hybrid -- as networks of information sites and transformation channels, enabling structured analysis of how information, decisions, and responsibilities flow across organizational and technical boundaries. We apply IFM in a real-world case involving a recruitment support tool used by a public-sector organization, evaluating both the Provider's system and the Deployer's recruitment process. Our results demonstrate that IFM can serve as a scaffold to bridge both component-based and holistic perspectives, and how technical systems are situated within socio-technical contexts. In doing so, IFM supports transparency, identifies risk pathways, and enables alignment analysis between intended and actual use. We argue that such modeling provides a foundational tool for effective, context-sensitive AI governance and accountability -- offering capabilities beyond conventional checklist-based assessments.
- Abstract（参考訳）: 欧州連合の人工知能法は、ハイリスクなAIシステムを管理するための構造化されたフレームワークを導入し、透明性、リスク管理、役割固有の説明責任を強調している。
しかしながら、現在のアセスメントのプラクティスは、モノリシックなシステムビューや非接続のチェックリストに依存しており、現実のデプロイメントの社会技術的複雑さを捉える能力を制限する。
本稿では,AI Act コンプライアンスアセスメントに対するモデリングに基づくアプローチである Information Flow Methodology (IFM) の利用について検討する。
IFMは、情報サイトやトランスフォーメーションチャネルのネットワークとして、アルゴリズム、人間、ハイブリッドを問わず、意思決定システムを表しており、情報、決定、責任が組織や技術的な境界を越えてどのように流れるか、構造化された分析を可能にする。
IFMを,公共セクター組織が採用する採用支援ツールを含む実例に適用し,提供者のシステムと展開者の採用プロセスの両方を評価した。
以上の結果から,IMFはコンポーネントベースと全体論的両視点を橋渡しするための足場として機能し,技術的システムが社会技術的文脈内にどのように配置されているかが示唆された。
IFMは透明性をサポートし、リスクパスを特定し、意図的および実際の使用間のアライメント分析を可能にする。
このようなモデリングは、コンテキストに敏感なAIガバナンスと説明責任のための基本的なツールであり、従来のチェックリストベースのアセスメント以上の機能を提供する、と私たちは主張しています。
関連論文リスト
- Transparency as Answerability: Role-Dependent Information Flow Modeling [1.290382979353427]
我々は,透明性を関係として扱うことを提案する: システムは,その構造から正解できる程度に,利害関係者に透過的である。
情報フローネットワークを用いてこれを定式化し、ネットワーク構造や応答可能性の観点から透明性を問う質問を、システムが解決する条件とする。
論文 参考訳（メタデータ） (2026-10-12T14:46:08Z) - Mind the Prompt: Self-adaptive Generation of Task Plan Explanations via LLMs [41.48741921431306]
我々は,認知的かつ確率的な意思決定プロセスとして,迅速なエンジニアリングを形式化する概念実証型自己適応アプローチを導入する。
適応的説明生成とその特性を定量的かつ質的に評価する。
本研究は,人間の認識とユーザプロファイルのフィードバックを自動的な即興合成に組み込むことの可能性を示した。
論文 参考訳（メタデータ） (2026-04-22T21:22:21Z) - CIRCLE: A Framework for Evaluating AI from a Real-World Lens [10.028017198571833]
CIRCLEは、モデル中心のパフォーマンスメトリクスと、デプロイメントにおけるAIの実体化された結果とのギャップを埋めることを目的としている。
CIRCLEは、コンテキストに敏感な質的洞察とスケーラブルな定量的メトリクスをリンクするための構造化された予測プロトコルを提供する。
論文 参考訳（メタデータ） (2026-02-27T14:43:23Z) - Modeling Fairness in Recruitment AI via Information Flow [1.290382979353427]
人的意思決定と自動候補マッチングを統合した実世界の採用プロセスに,情報フローに基づくモデリングフレームワークを適用した。
バイアスがどこに現れるか、どのようにシステムを通して伝播するか、候補者にどのような影響を及ぼすか、などを特定します。
論文 参考訳（メタデータ） (2025-11-16T21:01:55Z) - Knowledge-Driven Hallucination in Large Language Models: An Empirical Study on Process Modeling [46.05103857535919]
解析的タスクにおける大規模言語モデルの実用性は、その膨大な事前訓練された知識に根ざしている。
この能力は、私たちが知識駆動幻覚と呼ぶものに対して、重大なリスクをもたらします。
本稿では,自動プロセスモデリングのタスクにおけるLCMの評価により,この現象を考察する。
論文 参考訳（メタデータ） (2025-09-18T18:27:30Z) - Safe and Certifiable AI Systems: Concepts, Challenges, and Lessons Learned [45.44933002008943]
この白書は、T"UV AUSTRIA Trusted AIフレームワークを提示する。
エンド・ツー・エンドの監査カタログであり、機械学習システムの評価と認定のための方法論である。
セキュアなソフトウェア開発、機能要件、倫理とデータプライバシという3つの柱の上に構築されているのは、EU AI Actの高レベルの義務を、特定かつテスト可能な基準に翻訳するものです。
論文 参考訳（メタデータ） (2025-09-08T17:52:08Z) - An Outlook on the Opportunities and Challenges of Multi-Agent AI Systems [32.48561526824382]
マルチエージェントAIシステム(MAS)は、内部生成モデルに基づいて対話、情報交換、意思決定を行う複数の自律エージェントで構成されている。
本稿では,MASを解析するための形式的枠組みについて概説する。
論文 参考訳（メタデータ） (2025-05-23T22:05:19Z) - A Survey on (M)LLM-Based GUI Agents [62.57899977018417]
グラフィカルユーザインタフェース (GUI) エージェントは、人間とコンピュータのインタラクションにおいて、トランスフォーメーションパラダイムとして登場した。
大規模言語モデルとマルチモーダル学習の最近の進歩は、デスクトップ、モバイル、Webプラットフォーム全体でGUI自動化に革命をもたらした。
本調査では, 正確な要素位置決定, 効果的な知識検索, 長期計画, 安全に配慮した実行制御など, 重要な技術的課題を明らかにする。
論文 参考訳（メタデータ） (2025-03-27T17:58:31Z) - An Audit Framework for Technical Assessment of Binary Classifiers [0.0]
ロジスティック回帰 (MLogRM) とランダムフォレストモデル (RFM) を用いたマルチレベルモデルは、二項分類のために産業にますます導入されている。
欧州委員会が提案する人工知能法(AIA)は、特定の条件下では、そのようなモデルの適用は公正で透明性があり倫理的である必要がある。
本稿では, モデル, 識別, 透明性, 説明可能性に関する側面に着目し, RFM と MLogRM の技術的評価のための監査フレームワークを提案し, 実証する。
論文 参考訳（メタデータ） (2022-11-17T12:48:11Z)
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。