Trustworthy requirements for foundation models—A comprehensive survey and roadmap
Notice bibliographique
Résumé
Foundation models are being broadly adopted for downstream tasks and then deployed in real-world systems due to their diverse and generalization capabilities. This versatility allows them to excel across various domains, providing a strong basis for building specialized models and solutions, thus, accelerating the process of artificial intelligence (AI) transition from research to real-world deployment. However, these foundation models and implemented AI systems driven by these models present many challenges, particularly in the area of trustworthiness. They might be vulnerable to adversarial attacks, output incorrect answers or decisions, biased against certain groups, prone to privacy leakage etc. This can cause severe outcomes, especially with the application of AI in high stake areas such as finance and healthcare. Thus, developing trustworthiness of foundation models-based AI systems has become important and necessary. Trustworthy AI systems ensure reliability, safety, and fairness, making them crucial for successful real-world implementation and user acceptance. The core questions under this survey topic are: How to define trustworthiness in foundation models? What trustworthy aspects should we take into consideration regarding foundation models? What approaches can enhance their trustworthiness? What are challenges and what future directions? In this survey, we present a comprehensive analysis of what constitute trustworthy foundation model. We summarized, analysed and discussed highly relevant trustworthy aspects for foundation models. To structure our analysis, we also formalized lifecycle of foundation model-based AI systems. This allowed us to specify the requirements and approaches for each stage of the lifecycle. Lastly, we outlined challenges and future directions towards trustworthy foundation models. The main contributions of this paper are four-fold: (1) Formalization of the lifecycle for foundation models and definition of each phase. (2) Summary of key trustworthy aspects of foundation models and define them. (3) Examination of approaches for each aspects across the lifecycle. (4) Identification of challenges, gaps, and future directions. • Aligning Key Trustworthy Criteria with Foundation Model Lifecycle Stages. • Comprehensive Survey on Approaches for Trustworthy Foundation Models. • Identifies trust challenges and future research paths for trustworthy foundation models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».