論文の概要: Automatically detecting the conflicts between software requirements
based on finer semantic analysis
- arxiv url: http://arxiv.org/abs/2103.02255v1
- Date: Wed, 3 Mar 2021 08:39:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 14:53:02.920327
- Title: Automatically detecting the conflicts between software requirements
based on finer semantic analysis
- Title（参考訳）: より微細な意味分析に基づくソフトウェア要件間の衝突の自動検出
- Authors: Weize Guo, Li Zhang, Xiaoli Lian
- Abstract要約: 与えられた自然言語機能要件間の競合を自動的に検出するFiner Semantic Analysis-based Requirements Conflict Detector (FSARC) を提案する。
機能要件の調和したセマンティックメタモデルを8タプルで構築する。
そして、テキストパターンとセマンティック依存関係に基づいてルールを検出する限り、7種類の競合を定義します。
- 参考スコア（独自算出の注目度）: 8.035669538927623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: Conflicts between software requirements bring uncertainties to
product development. Some great approaches have been proposed to identify these
conflicts. However, they usually require the software requirements represented
with specific templates and/or depend on other external source which is often
uneasy to build for lots of projects in practice. Objective: We aim to propose
an approach Finer Semantic Analysis-based Requirements Conflict Detector
(FSARC) to automatically detecting the conflicts between the given natural
language functional requirements by analyzing their finer semantic
compositions. Method: We build a harmonized semantic meta-model of functional
requirements with the form of eight-tuple. Then we propose algorithms to
automatically analyze the linguistic features of requirements and to annotate
the semantic elements for their semantic model construction. And we define
seven types of conflicts as long as their heuristic detecting rules on the
ground of their text pattern and semantical dependency. Finally, we design and
implement the algorithm for conflicts detection. Results: The experiment with
four requirement datasets illustrates that the recall of FSARC is nearly 100%
and the average precision is 83.88% on conflicts detection. Conclusion: We
provide a useful tool for detecting the conflicts between natural language
functional requirements to improve the quality of the final requirements set.
Besides, our approach is capable of transforming the natural language
functional requirements into eight semantic tuples, which is useful not only
the detection of the conflicts between requirements but also some other tasks
such as constructing the association between requirements and so on.
- Abstract（参考訳）: コンテキスト: ソフトウェア要件間の紛争は、製品開発に不確実性をもたらす。
これらの対立を特定するための優れたアプローチがいくつか提案されている。
しかし、通常、特定のテンプレートで表現されたソフトウェア要件や、実際には多くのプロジェクトで構築するのが困難である他の外部ソースに依存する必要があります。
目的: 本研究の目的は, 与えられた自然言語機能要件間の競合を自動的に検出し, より微細なセマンティックな構成を解析する, ファイナ・セマンティック・アナリティクス・コンフリクト・コンフリクト・インタクタ (FSARC) を提案することである。
方法: 8タプルの形式で機能要件の調和したセマンティックメタモデルを構築します。
次に,要求の言語的特徴を自動的に分析し,意味モデル構築のための意味要素に注釈を付けるアルゴリズムを提案する。
そして,テキストパターンと意味的依存関係に基づいて,ヒューリスティックなルールを検出する限り,7種類の競合を定義する。
最後に,競合検出のためのアルゴリズムの設計と実装を行う。
結果: 4つの要求データセットによる実験は、FSARCのリコールが100%近く、平均精度が83.88%であることを示している。
結論: 最終要件セットの品質を改善するために,自然言語機能要件間の矛盾を検出する有用なツールを提供する。
さらに、私たちのアプローチは、自然言語の機能要件を8つのセマンティックタプルに変換することができます。これは、要件間の競合の検出だけでなく、要件間の関連を構築するなどの他のタスクにも役立ちます。
関連論文リスト
- GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。
距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。
クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
論文 参考訳（メタデータ） (2024-10-20T03:45:50Z) - CONGRA: Benchmarking Automatic Conflict Resolution [3.9910625211670485]
ConGraは、ソフトウェアマージツールのパフォーマンスを評価するために設計されたベンチマークスキームである。
我々は34の現実世界プロジェクトから44,948のコンフリクトに基づいて大規模な評価データセットを構築した。
論文 参考訳（メタデータ） (2024-09-21T12:21:41Z) - Runtime Resolution of Feature Interactions through Adaptive Requirement
Weakening [8.873252360337085]
機能相互作用問題は、新しいサイバー物理システムにとって依然として課題である。
競合するすべての機能を部分的に要件を満たすようにするための,新たな解決アプローチを提案する。
自律ドローンにおける特徴的相互作用のケーススタディを通じて、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2023-10-27T15:45:30Z) - Detecting Semantic Conflicts using Static Analysis [1.201626478128059]
本稿では,2人の開発者によるコントリビューションをマージする際に,静的解析を用いて干渉を検出する手法を提案する。
統合シナリオから抽出した99個の実験単位のデータセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-10-06T14:13:16Z) - Exposing and Addressing Cross-Task Inconsistency in Unified
Vision-Language Models [80.23791222509644]
一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。
最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。
本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
論文 参考訳（メタデータ） (2023-03-28T16:57:12Z) - Supervised Semantic Similarity-based Conflict Detection Algorithm: S3CDA [0.8249694498830561]
本研究は,それらの意味的構成や文脈的意味を掘り下げることで,要求条件内での紛争識別の必要性に対処する。
本研究は,スーパービジョン・セマンティック類似性に基づく競合検出アルゴリズムと呼ばれる,自動的な競合検出手法を提案する。
類似度に基づく競合検出は、文の埋め込みとコサイン類似度を利用して、関連する候補要件を識別する。
論文 参考訳（メタデータ） (2022-06-28T01:48:12Z) - Improving Multi-task Generalization Ability for Neural Text Matching via
Prompt Learning [54.66399120084227]
最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。
我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。
特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。
一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
論文 参考訳（メタデータ） (2022-04-06T11:01:08Z) - Exploring Multi-Modal Representations for Ambiguity Detection &
Coreference Resolution in the SIMMC 2.0 Challenge [60.616313552585645]
会話型AIにおける効果的なあいまいさ検出と参照解決のためのモデルを提案する。
具体的には,TOD-BERTとLXMERTをベースとしたモデルを用いて,多数のベースラインと比較し,アブレーション実験を行う。
以上の結果から,(1)言語モデルでは曖昧さを検出するためにデータの相関を活用でき,(2)言語モデルではビジョンコンポーネントの必要性を回避できることがわかった。
論文 参考訳（メタデータ） (2022-02-25T12:10:02Z) - Exploiting Multi-Object Relationships for Detecting Adversarial Attacks
in Complex Scenes [51.65308857232767]
ディープニューラルネットワーク(DNN)をデプロイするビジョンシステムは、敵の例に弱いことが知られている。
近年の研究では、入力データの固有成分のチェックは、敵攻撃を検出するための有望な方法であることが示された。
言語モデルを用いてコンテキスト整合性チェックを行う新しい手法を開発した。
論文 参考訳（メタデータ） (2021-08-19T00:52:10Z) - Infusing Finetuning with Semantic Dependencies [62.37697048781823]
シンタックスとは異なり、セマンティクスは今日の事前訓練モデルによって表面化されないことを示す。
次に、畳み込みグラフエンコーダを使用して、タスク固有の微調整にセマンティック解析を明示的に組み込む。
論文 参考訳（メタデータ） (2020-12-10T01:27:24Z) - Anomaly detection in Context-aware Feature Models [1.0660480034605242]
文脈認識特徴モデルにおける異常解析を形式化する。
SATソルバへの繰り返し呼び出しに頼ることなく,QBFソルバを用いて異常を検出する方法を示す。
論文 参考訳（メタデータ） (2020-07-28T08:59:14Z)
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。