論文の概要: Classification of Reverse-Engineered Class Diagram and Forward-Engineered Class Diagram using Machine Learning

• arxiv url: http://arxiv.org/abs/2011.07313v1
• Date: Sat, 14 Nov 2020 14:56:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 13:54:09.812641
• Title: Classification of Reverse-Engineered Class Diagram and Forward-Engineered Class Diagram using Machine Learning
• Title（参考訳）: 機械学習を用いたリバースエンジニアリングクラス図とフォワードエンジニアリングクラス図の分類
• Authors: Kaushil Mangaroliya, Het Patel
• Abstract要約: ソフトウェア業界では、どのタイプのクラス図なのかを知ることが重要です。 特定のプロジェクトで使われたダイアグラムは、知っておくべき重要な要素なのでしょうか? 本稿では,教師付き機械学習技術を用いてこの問題を解決することを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: UML Class diagram is very important to visualize the whole software we are working on and helps understand the whole system in the easiest way possible by showing the system classes, its attributes, methods, and relations with other objects. In the real world, there are two types of Class diagram engineers work with namely 1) Forward Engineered Class Diagram (FwCD) which are hand-made as part of the forward-looking development process, and 2). Reverse Engineered Class Diagram (RECD) which are those diagrams that are reverse engineered from the source code. In the software industry while working with new open software projects it is important to know which type of class diagram it is. Which UML diagram was used in a particular project is an important factor to be known? To solve this problem, we propose to build a classifier that can classify a UML diagram into FwCD or RECD. We propose to solve this problem by using a supervised Machine Learning technique. The approach in this involves analyzing the features that are useful in classifying class diagrams. Different Machine Learning models are used in this process and the Random Forest algorithm has proved to be the best out of all. Performance testing was done on 999 Class diagrams.
• Abstract（参考訳）: umlクラス図は、私たちが開発中のソフトウェア全体を視覚化し、システムクラス、その属性、メソッド、および他のオブジェクトとの関係を示すことによって、可能な限り簡単な方法でシステム全体を理解するのに役立ちます。 実世界では,(1)フォワードエンジニアリングクラスダイアグラム(FwCD)を前向き開発プロセスの一部として手作業で作成するクラスダイアグラムと,(2)という2種類のクラスダイアグラムエンジニアが作業している。 Reverse Engineered Class Diagram (RECD) はソースコードからリバースエンジニアリングされたダイアグラムである。 ソフトウェア業界では、新しいオープンソフトウェアプロジェクトと作業しながら、それがどの種類のクラス図であるかを知ることが重要です。 特定のプロジェクトで使われたUML図は、知っておくべき重要な要素なのでしょうか? この問題を解決するために,UML図をFwCDやRECDに分類できる分類器を構築することを提案する。 本稿では,教師付き機械学習技術を用いてこの問題を解決することを提案する。 このアプローチでは、クラス図の分類に有用な機能を分析する。 このプロセスでは、異なる機械学習モデルが使用され、ランダムフォレストアルゴリズムが最高であることが証明されている。 999のクラスダイアグラムでパフォーマンステストが行われた。

関連論文リスト

• Systematic teaching of UML and behavioral diagrams [0.0]
  本稿では,図を作成するために必要なスキルの体系的獲得について論じる。 より特異な質問タイプは、画像アノテーションに関する質問など、画像に関連している。 実証されたすべての演習は、デジタルと手書きのトレーニングと試験の両方に適しています。
  論文  参考訳（メタデータ） (2024-10-23T13:18:54Z)
• RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
  RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
  論文  参考訳（メタデータ） (2024-10-03T05:45:26Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• MAVIS: Mathematical Visual Instruction Tuning with an Automatic Data Engine [85.80851893886161]
  MLLMのための数学的なVISual命令チューニングパイプラインであるMAVISを提案する。 我々はMAVIS-Captionを用いて、図形視覚符号化の改善に適したコントラスト学習により、数学固有の視覚エンコーダ(CLIP-Math)を微調整する。 第3に、ロバストな問題解決スキルの指導チューニングを行うためにMAVIS-Instructを採用し、結果のモデルをMAVIS-7Bと呼ぶ。
  論文  参考訳（メタデータ） (2024-07-11T17:59:47Z)
• Assessing GPT-4-Vision's Capabilities in UML-Based Code Generation [0.5789654849162464]
  GPT-4-Visionは最先端のディープラーニングモデルである。 UML(Unified Modeling Language)クラスダイアグラムを完全なJavaクラスファイルに変換することができる。
  論文  参考訳（メタデータ） (2024-04-22T17:21:24Z)
• From Image to UML: First Results of Image Based UML Diagram Generation Using LLMs [1.961305559606562]
  ソフトウェア工学のプロセスでは、システムはまずモデリング言語を使って指定される。 大規模言語モデル(LLM)は、与えられた図面からUMLモデルの形式表現を生成するために使用される。 より具体的には、クラス図の画像を画像に表される実際のモデルに変換するための異なるLCMの能力を評価した。
  論文  参考訳（メタデータ） (2024-04-17T13:33:11Z)
• CogCoM: Train Large Vision-Language Models Diving into Details through Chain of Manipulations [61.21923643289266]
  カオス・オブ・マニピュレーション(Chain of Manipulations)は、視覚言語モデル(Vision-Language Models)が、エビデンスを段階的に解決するメカニズムである。 トレーニング後、モデルは外部ツールを介さずに、本質的な操作(グラウンド、ズームインなど)を積極的に行うことで、様々な視覚的問題を解決することができる。 トレーニングされたモデルである textbfCogCoM は、4つのカテゴリの9つのベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-02-06T18:43:48Z)
• DiagrammerGPT: Generating Open-Domain, Open-Platform Diagrams via LLM Planning [62.51232333352754]
  テキスト・ツー・イメージ(T2I)世代はここ数年で著しい成長を遂げている。 それにもかかわらず、T2Iモデルでダイアグラムを生成する作業はほとんど行われていない。 本稿では,新しい2段階のテキスト・ツー・ダイアグラム生成フレームワークであるDiagrammerGPTを紹介する。 我々のフレームワークは、既存のT2Iモデルを上回る精度で、より正確なダイアグラムを生成する。
  論文  参考訳（メタデータ） (2023-10-18T17:37:10Z)
• Curriculum Graph Machine Learning: A Survey [51.89783017927647]
  カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。 本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
  論文  参考訳（メタデータ） (2023-02-06T16:59:25Z)
• An Algebraic Framework for Stock & Flow Diagrams and Dynamical Systems Using Category Theory [2.030738254233949]
  この章では、基礎となる数学に焦点をあてるのではなく、StockFlow.jlの実装したソフトウェアによって作成されたコミュニケーション可能な病気の例を非公式に使用します。 まず、分類的ストック・フロー・ダイアグラムを特徴付け、ストック・フロー・ダイアグラムの構文とそれらのセマンティクスを明確に区別する。 カテゴリ理論を適用することで、これらのフレームワークはモジュール化された方法で小さな図から大きな図を作成することができる。
  論文  参考訳（メタデータ） (2022-11-01T16:15:54Z)
• Automated Diagram Generation to Build Understanding and Usability [0.0]
  因果ループとストックおよびフロー図は、関係を整理し意味を伝えるのに役立つため、システムダイナミクスで広く使われている。 本稿では,その情報を自動生成した因果ループ図で明確に示す方法について述べる。
  論文  参考訳（メタデータ） (2020-05-27T22:32:16Z)

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。