論文の概要: Supervised Semantic Similarity-based Conflict Detection Algorithm: S3CDA

• arxiv url: http://arxiv.org/abs/2206.13690v3
• Date: Mon, 14 Jul 2025 20:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.620526
• Title: Supervised Semantic Similarity-based Conflict Detection Algorithm: S3CDA
• Title（参考訳）: 意味的類似性に基づく衝突検出アルゴリズムS3CDA
• Authors: Garima Malik, Mucahit Cevik, Ayse Basar, Devang Parikh,
• Abstract要約: 本稿では,ソフトウェア要件の競合を自動的に検出する2相アルゴリズムであるS3CDAを紹介する。 提案手法はまず,意味的類似性を用いて競合する可能性のある要件ペアを同定する。 GPT-4o、Llama-3、Sonnet-3.5、Gemini-1.5といった一般的な大規模言語モデルと比較する。
• 参考スコア（独自算出の注目度）: 0.8249694498830561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying conflicting requirements is a key challenge in software requirement engineering, often overlooked in automated solutions. Most existing approaches rely on handcrafted rules or struggle to generalize across different domains. In this paper, we introduce S3CDA, a two-phase algorithm designed to automatically detect conflicts in software requirements. Our method first identifies potentially conflicting requirement pairs using semantic similarity, and then validates them by analyzing overlapping domain-specific entities. We evaluate S3CDA on five diverse real-world datasets and compare it against popular large language models like GPT-4o, Llama-3, Sonnet-3.5 and Gemini-1.5. While LLMs show promise, especially on general datasets, S3CDA consistently performs better in domain-specific settings with higher performance. Our findings suggest that combining Natural Language Processing (NLP) techniques with domain-aware insights offers a practical and effective alternative for conflict detection in requirements.
• Abstract（参考訳）: 矛盾する要件を特定することは、ソフトウェア要件エンジニアリングにおいて重要な課題であり、しばしば自動化されたソリューションで見過ごされる。 既存のアプローチのほとんどは、手作りのルールや、異なるドメインにまたがる一般化の難しさに依存している。 本稿では,ソフトウェア要件の競合を自動的に検出する2相アルゴリズムであるS3CDAを紹介する。 提案手法は,まず意味的類似性を用いて競合する可能性のある要件ペアを識別し,重複するドメイン固有のエンティティを解析して検証する。 GPT-4o, Llama-3, Sonnet-3.5, Gemini-1.5の5種類の実世界のデータセットでS3CDAを評価した。 LLMは、特に一般的なデータセットでは有望であるが、S3CDAは、高いパフォーマンスでドメイン固有の設定において、一貫してパフォーマンスが向上している。 本研究は,自然言語処理(NLP)技術とドメイン認識の知見を組み合わせることで,要求における競合検出の実践的かつ効果的な代替手段が提供されることを示唆する。

関連論文リスト

• Target Semantics Clustering via Text Representations for Robust Universal Domain Adaptation [37.61604558855609]
  Universal Domain Adaptation (UniDA)は、ドメインシフトと未知のカテゴリシフトの両方の下で、ソースドメインの知識をターゲットドメインに転送することに焦点を当てている。 現在の手法では、制約のない連続画像表現空間からターゲット領域意味論センターを得るのが一般的である。 本稿では,視覚言語モデルに基づく意味的意味的かつ離散的なテキスト表現空間のセマンティックセンターを探索する。
  論文  参考訳（メタデータ） (2025-06-04T03:11:53Z)
• Conflicts in Texts: Data, Implications and Challenges [58.03478157713084]
  矛盾は、状況の複雑さ、説明と対処が必要な変更、データアノテーションの難しさ、生成された出力の誤りを反映する可能性がある。 本調査ではこれらの矛盾を,(1)事実的矛盾,主観的偏見,および複数の視点が矛盾を生じさせるWeb上の自然テキスト,(2)注釈者がモデルトレーニングに影響を及ぼす注釈付きデータ,(3)幻覚と知識の衝突が発生するモデルインタラクションの3つの重要な領域に分類する。 我々は、対立する情報をより効果的に推論し、調整できる紛争対応NLPシステムの開発における重要な課題と今後の方向性を強調した。
  論文  参考訳（メタデータ） (2025-04-28T04:24:01Z)
• Aligning Multimodal LLM with Human Preference: A Survey [62.89722942008262]
  大規模言語モデル(LLM)は、タスク固有のトレーニングを必要とせずに、単純なプロンプトで幅広い汎用タスクを処理できる。 MLLM(Multimodal Large Language Models)は、視覚的、聴覚的、テキスト的データを含む複雑なタスクに対処する大きな可能性を実証している。 しかし、真理性、安全性、o1のような推論、および人間の嗜好との整合性に関する重要な問題は未解決のままである。
  論文  参考訳（メタデータ） (2025-03-18T17:59:56Z)
• O-RAN xApps Conflict Management using Graph Convolutional Networks [2.087814874079289]
  我々は Graph Convolutional Network (GCN) に基づく Graph-based Intelligent xApp Conflict Prediction and Analysis (GRAPHICA) と呼ばれる新しいデータ駆動手法を提案する。 GRAPHICAは3種類の競合(直接、間接、暗黙)を予測し、根本原因(xApp)をピンポイントする
  論文  参考訳（メタデータ） (2025-03-05T14:07:29Z)
• Multi-level Conflict-Aware Network for Multi-modal Sentiment Analysis [6.168616672805216]
  マルチモーダル感情分析のための新しいマルチレベルコンフリクト・アウェア・ネットワーク(MCAN)を提案する。 MCANは段階的にアライメントとコンフリクトの構成要素を、一様および二様表現から分離する。 コンフリクトモデリングブランチでは、表現レベルと予測出力レベルの両方で差分制約を行う。
  論文  参考訳（メタデータ） (2025-02-13T09:14:36Z)
• 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)
• AdaCAD: Adaptively Decoding to Balance Conflicts between Contextual and Parametric Knowledge [57.66282463340297]
  知識の衝突は、大きな言語モデル(LLM)の文脈における情報と、そのパラメータに格納された知識との相違から生じる。 コンフリクトの度合いに基づいて動的に調整の重みを推定する,AdaCADと呼ばれる細粒度なインスタンスレベルのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-11T16:35:18Z)
• 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)
• Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction [67.54420015049732]
  Aspect Sentiment Triplet extract (ASTE) は感情分析における課題であり、人間の感情に対するきめ細かい洞察を提供することを目的としている。 既存のベンチマークは2つのドメインに限定されており、目に見えないドメイン上でのモデルパフォーマンスを評価しない。 各種ドメインのサンプルに注釈を付けることでドメイン拡張ベンチマークを導入し,ドメイン内設定とドメイン外設定の両方でモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T18:01:49Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Transfer learning for conflict and duplicate detection in software requirement pairs [0.5359378066251386]
  ソフトウェアプロジェクトの成功には、ソフトウェア要件の一貫性と全体的な表現が重要です。 本研究では,ソフトウェア要件仕様の矛盾や重複を自動的に識別することで,ソフトウェア開発プロセスの効率を向上させることを目的とする。 コンフリクトと重複識別タスクのために,Sentence-BERTとBiエンコーダを組み込んだ新しいトランスフォーマーアーキテクチャSR-BERTを設計する。
  論文  参考訳（メタデータ） (2023-01-09T22:47:12Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Automatically detecting the conflicts between software requirements based on finer semantic analysis [8.035669538927623]
  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。
  論文  参考訳（メタデータ） (2021-03-03T08:39:53Z)
• End-to-End Learning and Intervention in Games [60.41921763076017]
  ゲームにおける学習と介入のための統一的なフレームワークを提供する。 明示的および暗黙的な区別に基づく2つのアプローチを提案する。 分析結果は、実世界のいくつかの問題を用いて検証される。
  論文  参考訳（メタデータ） (2020-10-26T18:39:32Z)
• Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
  Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。 本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。 我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
  論文  参考訳（メタデータ） (2020-06-22T13:03:01Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

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。