論文の概要: Natural Language Processing for Requirements Traceability
- arxiv url: http://arxiv.org/abs/2405.10845v1
- Date: Fri, 17 May 2024 15:17:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 15:43:48.236463
- Title: Natural Language Processing for Requirements Traceability
- Title（参考訳）: 要求トレーサビリティのための自然言語処理
- Authors: Jin L. C. Guo, Jan-Philipp Steghöfer, Andreas Vogelsang, Jane Cleland-Huang,
- Abstract要約: トレーサビリティは、特に安全クリティカルなシステムにおいて、要件とソフトウェアエンジニアリングにおいて重要な役割を果たす。
自然言語処理(NLP)とその関連技術は、過去10年間に大きく進歩してきた。
- 参考スコア（独自算出の注目度）: 47.93107382627423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traceability, the ability to trace relevant software artifacts to support reasoning about the quality of the software and its development process, plays a crucial role in requirements and software engineering, particularly for safety-critical systems. In this chapter, we provide a comprehensive overview of the representative tasks in requirement traceability for which natural language processing (NLP) and related techniques have made considerable progress in the past decade. We first present the definition of traceability in the context of requirements and the overall engineering process, as well as other important concepts related to traceability tasks. Then, we discuss two tasks in detail, including trace link recovery and trace link maintenance. We also introduce two other related tasks concerning when trace links are used in practical contexts. For each task, we explain the characteristics of the task, how it can be approached through NLP techniques, and how to design and conduct the experiment to demonstrate the performance of the NLP techniques. We further discuss practical considerations on how to effectively apply NLP techniques and assess their effectiveness regarding the data set collection, the metrics selection, and the role of humans when evaluating the NLP approaches. Overall, this chapter prepares the readers with the fundamental knowledge of designing automated traceability solutions enabled by NLP in practice.
- Abstract（参考訳）: トレーサビリティ(Traceability)とは、ソフトウェアの品質とその開発プロセスに関する推論を支援する、関連するソフトウェアアーチファクトをトレースする能力である。
本章では、自然言語処理(NLP)および関連技術が過去10年間に大きく進歩した要求トレーサビリティにおける代表的タスクの概要を概説する。
まず、トレーサビリティの定義を、要求と全体のエンジニアリングプロセス、およびトレーサビリティタスクに関連するその他の重要な概念の文脈で提示する。
次に、トレースリンクの回復とトレースリンクの保守を含む2つのタスクについて詳述する。
また、トレースリンクを実践的な文脈で使用する際の2つの関連タスクについても紹介する。
各タスクに対して、タスクの特性、NLP手法によるアプローチ方法、NLP技術の性能を示す実験の設計と実行方法について説明する。
さらに,NLP手法を効果的に適用するための実践的考察と,NLP手法の評価において,データセット収集,メトリクス選択,人間の役割についての有効性を評価する。
全体として、この章では、NLPが実際に実現した自動化トレーサビリティソリューションの設計に関する基本的な知識を読者に提供します。
関連論文リスト
- ProcBench: Benchmark for Multi-Step Reasoning and Following Procedure [0.0]
本稿では,多段階推論の直接評価という,推論能力の特定の側面に焦点を当てたベンチマークを提案する。
我々のデータセットは、明示的な指示とそれに対応する質問のペアで構成されており、質問の解決に必要な手順は、その指示の中で完全に詳細に記述されている。
各ステップで様々なステップの解決と応答評価を必要とする問題を構築することにより、最先端のLCMの指示に従う能力の徹底的な評価を可能にする。
論文 参考訳（メタデータ） (2024-10-04T03:21:24Z) - REVEAL-IT: REinforcement learning with Visibility of Evolving Agent poLicy for InTerpretability [23.81322529587759]
REVEAL-ITは複雑な環境下でのエージェントの学習過程を説明するための新しいフレームワークである。
各種学習課題における政策構造とエージェントの学習過程を可視化する。
GNNベースの説明者は、ポリシーの最も重要な部分を強調することを学び、エージェントの学習プロセスについてより明確で堅牢な説明を提供する。
論文 参考訳（メタデータ） (2024-06-20T11:29:26Z) - Combatting Human Trafficking in the Cyberspace: A Natural Language
Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。
我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。
重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
論文 参考訳（メタデータ） (2023-11-22T02:45:01Z) - Understanding the Challenges of Deploying Live-Traceability Solutions [45.235173351109374]
SAFA.aiは、ほぼリアルタイムな環境で自動トレーサビリティを提供する、プロジェクト固有モデルを微調整するスタートアップである。
本稿では,ソフトウェアトレーサビリティを商業化する上での課題について述べる。
論文 参考訳（メタデータ） (2023-06-19T14:34:16Z) - Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data
Programming [77.38174112525168]
私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
論文 参考訳（メタデータ） (2022-03-02T19:57:32Z) - Natural Language in Requirements Engineering for Structure Inference --
An Integrative Review [0.0]
本稿では,要求工学のための自然言語処理ツールに関する総合的なレビューを提供する。
その結果、現在、情報構造の直接的/一次的抽出を可能にするオープンソースアプローチは存在しない。
アルゴリズム、知識ベース、テキストコーパスを個別に管理できるアプローチが追求される可能性がある。
論文 参考訳（メタデータ） (2022-02-10T14:46:09Z) - Weighted Training for Cross-Task Learning [71.94908559469475]
クロスタスク学習のための重み付きトレーニングアルゴリズムであるTarget-Aware Weighted Training (TAWT)を紹介する。
TAWTは実装が容易で、計算効率が高く、ハイパーパラメータチューニングがほとんど必要とせず、漸近的でない学習理論の保証を享受できることを示す。
副産物として、提案された表現に基づくタスク距離は、クロスタスク学習のいくつかの重要な側面について理論的に原則化された方法で推論することができる。
論文 参考訳（メタデータ） (2021-05-28T20:27:02Z) - Designing Multimodal Datasets for NLP Challenges [5.874143210792986]
会話や推論において人間が持つ言語能力や認知能力を反映した課題や課題を特定する。
マルチモーダルレシピコレクションに対するコンピテンスベースの理解をテストするために設計された診断データセットであるRecipe-to-Video Questions (R2VQ)について述べる。
論文 参考訳（メタデータ） (2021-05-12T23:02:46Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:45:56Z) - Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。
常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。
我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
論文 参考訳（メタデータ） (2020-09-28T10:28:40Z)
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。