随着生成式AI在自动驾驶、工业控制、医疗诊断等安全关键领域的落地进程加快，AI输出论证的结构可信度、潜在偏见筛查，以及安全系统合规性评估的标准化数据支撑不足，已成为制约高可靠AI技术落地的核心瓶颈之一。针对这一行业共性需求，深耕软件工程、信息安全领域的Simula研究实验室正式发布专用数据集Assurance Case Graphs Dataset，相关资源已于2026年4月22日首发于学术预印本平台arXiv。
据悉，本次发布的数据集由Simula研究实验室独立构建，同时包含人类撰写和LLM生成的两类保证案例图，覆盖安全树结构、GSN图两大主流保证案例呈现形式，总计收录263条有效数据。其中GSN（目标结构化记号）是全球安全关键领域通用的标准化论证表示框架，多用于体系化梳理安全论证的目标层级、证据来源与推理逻辑链。整个数据集不仅包含目标、证据等不同类型的节点文本信息，还配套了经过人工校验标注的节点边关系，可支持链接预测、来源分析等多项图学习与自然语言处理任务。
不同于单一来源的同类数据集，本次发布的资源通过整合领域已有的公开研究成果，补充GPT-4生成的案例边结构完成构建，同时覆盖了人工论证与大模型生成论证两类典型场景，能够更全面地匹配当前AI验证场景下的多元测试需求。从潜在应用方向来看，该数据集可落地于多个高价值场景：在AI可信性验证环节，可用于验证大模型生成论证的结构可信度、识别隐含的逻辑漏洞与论证偏见，为生成式AI在安全敏感领域的落地设置合规校验基准；在航空、轨道交通、医疗设备等安全关键系统的评估环节，可依托数据集的结构化论证资源，提升合规性评估的自动化水平，降低人工审核的成本与误差；在学术研究层面，也可为保证案例图的自动生成、图推理算法优化等方向提供标准测试数据集。
作为数据要素市场中垂直领域的专用核心资源，本次发布的保证案例图数据集填补了AI验证与安全合规评估领域的细分数据缺口，对于推动高可靠AI技术落地、完善安全关键系统的数字化评估体系具有重要的支撑作用。
_1769672084863.jpg)