論文の概要: AuDQ: Auditable Data Quality through Agentic Rule Discovery

• arxiv url: http://arxiv.org/abs/2610.26031v1
• Date: Mon, 19 Oct 2026 08:53:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:43:05.28886
• Title: AuDQ: Auditable Data Quality through Agentic Rule Discovery
• Title（参考訳）: AuDQ: エージェントルール発見による監査可能なデータ品質
• Abstract要約: ルールが第一級のアーティファクトであるオントロジーを基盤とした,リポジトリネイティブなデータ品質層に対するビジョンを提案する。 本稿では,2つのルール取得モード(Full-Agentic and Guided)とHuman-in-the-loop(HITL)レビューインターフェースを備えたエージェントルール発見コアの実装について述べる。 我々は、完全に自律的で分割・分散されたエージェント・ルールの発見が、人間の専門家が定めるものと同じ品質と多様性のルールを生成するかどうかに対処する実験を実行する。
• 参考スコア（独自算出の注目度）: 0.062914438169038
• License:
• Abstract: High-stakes tabular pipelines rely on scattered, static quality checks that are hard to evolve and audit against policy intent. Regulated domains particularly suffer as the LLM-era automation raises expectations for traceability and accountability. We propose a vision for an ontology-grounded, repository-native data quality layer in which rules are first-class artifacts: versioned, provenance-linked to governance texts, and re-playable through immutable execution traces. As a first step toward validating this vision, we present a concrete implementation of its agentic rule-discovery core with two rule acquisition modes (Full-Agentic and Guided) and a human-in-the-loop (HITL) review interface. We define an evaluation framework and run experiments addressing whether our fully autonomous, divide-and-conquer agentic rule discovery produces rules of the same quality and diversity as those specified by a human expert, reporting preliminary results on two real world industry datasets in the finance and retail domains.
• Abstract（参考訳）: 高吸収のグラフパイプラインは、展開が困難でポリシーの意図に反する、散在した静的な品質チェックに依存します。 LLM時代の自動化はトレーサビリティと説明責任の期待を高めるため、規制されたドメインは特に苦しむ。 本稿では,ルールが第1級アーティファクトであるオントロジーを基盤とした,リポジトリネイティブなデータ品質レイヤ(バージョン管理,ガバナンステキストへのリンク,不変な実行トレースによる再生可能)のビジョンを提案する。 このビジョンを検証するための第一歩として,2つのルール取得モード(Full-Agentic and Guided)とHuman-in-the-loop(HITL)レビューインターフェースを備えたエージェント型ルール発見コアの実装を提案する。 評価フレームワークを定義し,我々の完全自律型・分断型エージェントルール発見が,人間専門家が指定したものと同等の品質と多様性のルールを生成するか否かを検証し,ファイナンスと小売ドメインにおける2つの実業界データセットの予備結果を報告する。

関連論文リスト

• OmniVerifier-C1: Decomposed Graded Verifier for Rule-Governed Generative World Modeling [50.062869239908736]
  複雑なプロンプトや環境ルールを自動的に細かなコンポーネントに分解する検証器を導入する。 ペアワイズ検証のパラダイムは、ポイントワイズ定式化よりも正確な批判をもたらすことを示す。 生成モデルから構造化世界モデリングエージェントへの移行は、正確なペアグレードの視覚的検証の可用性に重大な影響を与えている。
  論文  参考訳（メタデータ） (2026-10-15T17:58:04Z)
• RAIL: An Automatic Classifier of the Artificial Intelligence Readiness Level [0.0]
  人工知能技術の成熟度を評価することは、投資決定、プロジェクト管理、政策監視に不可欠である。 利用可能な準備性フレームワークは異種であり、自動的に適用するのは難しい。 まず、これらの3つのフレームワークを、環境証拠のはしごの上に構築された9レベルのスケールである、統一AI準備レベル(AIRL)に統合する。 第2に,このスケールを運用するパネル・オブ・エキスパートの分類器であるRAILを提案する。
  論文  参考訳（メタデータ） (2026-08-13T16:17:41Z)
• Automated Benchmark Auditing for AI Agents and Large Language Models [46.03841647776303]
  Auto Benchmark Audit (ABA)は、個々のベンチマークタスクを体系的に監査するエージェントフレームワークである。 私たちは、9つのドメインで合計168のベンチマークで、Frontier LLMベンチマークと以前のNeurIPSパブリッシュのコレクションでABAを実行しています。 ABAは、不明瞭なタスク設計、実行環境の矛盾、そして、評価されたタスクの25.7%以上において、誤った根拠の真実を含む重要な問題を特定する。
  論文  参考訳（メタデータ） (2026-05-25T17:44:21Z)
• Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents? [61.49434544687523]
  本稿では,エージェント環境におけるきめ細かい故障検出を目的としたメタ評価ベンチマークREFLECTを紹介する。 REFLECTはプロセスレベルの障害モードと結果レベルの障害モードの詳細な分類を定義し、制御および局所的な介入を実行することでインスタンス化する。 私たちの実験では、最高のパフォーマンスモデルでさえ、推論、ツール使用、レポート品質の失敗に対して、全体的なアキュラシーを55%以下に達成しています。
  論文  参考訳（メタデータ） (2026-05-18T23:55:08Z)
• How Supply Chain Dependencies Complicate Bias Measurement and Accountability Attribution in AI Hiring Applications [1.0742675209112622]
  現代のAI採用システムは、データベンダ、モデル開発者、プラットフォームプロバイダ、デプロイ組織間の責任フラグメントが分散した複雑なサプライチェーン内で運用されている。 本稿では,これらの依存関係連鎖が,バイアス評価や説明責任の帰属を複雑化する方法について検討する。 システムレベルの監査,ベンダガイドライン,継続的監視機構,依存関係チェーン間のドキュメントなど,多層的な介入を提案する。
  論文  参考訳（メタデータ） (2026-04-24T16:01:35Z)
• ORCHID: Orchestrated Retrieval-Augmented Classification with Human-in-the-Loop Intelligent Decision-Making for High-Risk Property [6.643427585499247]
  ORCHIDは、HRP分類のためのモジュール型エージェントシステムである。 検索強化世代(RAG)を人間の監視と組み合わせて、監査可能なポリシベースのアウトプットを生成する。 デモでは、単一項目の提出、接地された引用、中小企業のフィードバックキャプチャ、エクスポート可能な監査アーティファクトなどが紹介されている。
  論文  参考訳（メタデータ） (2025-11-07T03:48:05Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Creating Training Sets via Weak Indirect Supervision [66.77795318313372]
  Weak Supervision (WS)フレームワークは、複数の潜在的にノイズの多い監督ソースからトレーニングラベルを合成する。 Weak Indirect Supervision (WIS) は、トレーニングラベルの自動合成のための新しい研究課題である。 我々は,ユーザが提供するラベル関係を利用して間接的な監督源をモデル化し活用する確率論的モデリング手法PLRMを開発した。
  論文  参考訳（メタデータ） (2021-10-07T14:09:35Z)

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。