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
- A Picture Is Worth a Thousand Words: Exploring Diagram and Video-Based
OOP Exercises to Counter LLM Over-Reliance [2.1490831374964587]
大規模言語モデル(LLM)は、テキストベースの仕様で、より複雑なオブジェクト指向プログラミング(OOP)の課題を効果的に解決することができる。
これは、学生がこれらのモデルを使って非倫理的に課題を完了させるため、学術的完全性に対する懸念を提起する。
本稿では,OOP の授業において,学生の課題解決を奨励し,学生をコピー・アンド・プロンプト・アプローチから遠ざける方法として,図表やビデオを用いてOOP タスクを定式化する革新的な手法を提案する。
論文 参考訳(メタデータ) (2024-03-13T10:21:29Z) - DiagrammerGPT: Generating Open-Domain, Open-Platform Diagrams via LLM
Planning [68.29022238719023]
図は、構造的にリッチで空間的に複雑な視覚化を用いて情報を説明する記号的・スキーマ的表現である。
既存の最先端のT2Iモデルは、細粒度のオブジェクトレイアウト制御が欠けているため、ダイアグラム生成時に失敗することが多い。
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。
論文 参考訳(メタデータ) (2023-10-18T17:37:10Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - Deep Class-Incremental Learning: A Survey [68.21880493796442]
常に変化する世界で、新しいクラスが時々現れます。
新しいクラスのインスタンスでモデルを直接トレーニングする場合、モデルは破滅的に以前のモデルの特徴を忘れる傾向があります。
ベンチマーク画像分類タスクにおける16の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
論文 参考訳(メタデータ) (2023-02-07T17:59:05Z) - 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) - Distilling Knowledge from Self-Supervised Teacher by Embedding Graph
Alignment [52.704331909850026]
我々は、自己指導型事前学習モデルから他の学生ネットワークへ知識を伝達するための新しい知識蒸留フレームワークを定式化した。
自己教師型学習におけるインスタンス識別の精神に触発され,特徴埋め込み空間におけるグラフ定式化によるインスタンスとインスタンスの関係をモデル化する。
蒸留方式は, 学生ネットワーク上での表現学習を促進するために, 自己指導型知識の伝達に柔軟に適用できる。
論文 参考訳(メタデータ) (2022-11-23T19:27:48Z) - 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 Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳(メタデータ) (2021-03-01T04:20:33Z) - 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。