論文の概要: An Evaluation of Requirements Modeling for Cyber-Physical Systems via LLMs
- arxiv url: http://arxiv.org/abs/2408.02450v1
- Date: Mon, 5 Aug 2024 13:20:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 13:37:05.797463
- Title: An Evaluation of Requirements Modeling for Cyber-Physical Systems via LLMs
- Title(参考訳): LLMによるサイバー物理システムの要求モデリングの評価
- Authors: Dongming Jin, Shengxin Zhao, Zhi Jin, Xiaohong Chen, Chunhui Wang, Zheng Fang, Hongbin Xiao,
- Abstract要約: 問題フレームアプローチは、コンポーネントの特性と相互接続をキャプチャすることで、現実世界の問題を形成することを目的としている。
大規模言語モデル(LLM)は、自然言語理解において優れた性能を示している。
- 参考スコア(独自算出の注目度): 18.657412233247328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cyber-physical systems (CPSs) integrate cyber and physical components and enable them to interact with each other to meet user needs. The needs for CPSs span rich application domains such as healthcare and medicine, smart home, smart building, etc. This indicates that CPSs are all about solving real-world problems. With the increasing abundance of sensing devices and effectors, the problems wanted to solve with CPSs are becoming more and more complex. It is also becoming increasingly difficult to extract and express CPS requirements accurately. Problem frame approach aims to shape real-world problems by capturing the characteristics and interconnections of components, where the problem diagram is central to expressing the requirements. CPSs requirements are generally presented in domain-specific documents that are normally expressed in natural language. There is currently no effective way to extract problem diagrams from natural language documents. CPSs requirements extraction and modeling are generally done manually, which is time-consuming, labor-intensive, and error-prone. Large language models (LLMs) have shown excellent performance in natural language understanding. It can be interesting to explore the abilities of LLMs to understand domain-specific documents and identify modeling elements, which this paper is working on. To achieve this goal, we first formulate two tasks (i.e., entity recognition and interaction extraction) and propose a benchmark called CPSBench. Based on this benchmark, extensive experiments are conducted to evaluate the abilities and limitations of seven advanced LLMs. We find some interesting insights. Finally, we establish a taxonomy of LLMs hallucinations in CPSs requirements modeling using problem diagrams. These results will inspire research on the use of LLMs for automated CPSs requirements modeling.
- Abstract(参考訳): サイバー物理システム(CPS)は、サイバーおよび物理的コンポーネントを統合し、ユーザのニーズを満たすために相互に対話できるようにする。
CPSのニーズは、医療や医療、スマートホーム、スマートビルディングなど、豊富なアプリケーションドメインにまたがる。
これは、CPSがすべて現実世界の問題を解決することを示唆している。
センサデバイスやエフェクターの多さにより、CPSで解決したいという問題はますます複雑になりつつある。
また、CPS要求を正確に抽出し、表現することがますます困難になっている。
問題枠のアプローチは、要求を表現する上で問題図が中心となるコンポーネントの特性と相互接続をキャプチャすることで、現実世界の問題を形成することを目的としている。
CPSの要件は一般的に、通常自然言語で表現されるドメイン固有の文書で示される。
現在、自然言語文書から問題図を抽出する方法は存在しない。
CPSの要求抽出とモデリングは一般的に手作業で行われる。
大規模言語モデル(LLM)は、自然言語理解において優れた性能を示している。
LLMがドメイン固有の文書を理解し、モデリング要素を識別する能力について検討することは興味深い。
この目的を達成するために、まず2つのタスク(エンティティ認識とインタラクション抽出)を定式化し、CPSBenchと呼ばれるベンチマークを提案する。
このベンチマークに基づいて、7つの高度なLCMの能力と限界を評価するための広範囲な実験を行った。
興味深い洞察がいくつかあります。
最後に,問題図を用いたCPSs要求モデルにおけるLLMの幻覚の分類法を確立する。
これらの結果は、自動CPS要求モデリングにおけるLLMの使用に関する研究を刺激する。
関連論文リスト
- Foundation Models for CPS-IoT: Opportunities and Challenges [21.767681490176027]
機械学習(ML)の手法は,CPS(Cyber-Physical Systems)とIoT(Internet of Things)における知覚認知コミュニケーションループの実装を変革した。
タスクに依存しない基礎モデル(FM)の成功は、CPS-IoT分析パイプラインの柔軟なビルディングブロックとしてFMを探求するための熱意を生み出した。
CPS-IoTドメインにおけるFMと大規模言語モデル(LLM)の現在の機能と、CPS-IoTアプリケーションで実行可能な要件との間には、大きなギャップが持続する。
論文 参考訳(メタデータ) (2025-01-22T18:52:41Z) - MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。
我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。
MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
論文 参考訳(メタデータ) (2025-01-18T13:54:00Z) - Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
因果表現学習を大規模言語モデルと統合する枠組みを提案する。
このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。
本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
論文 参考訳(メタデータ) (2024-10-25T18:36:37Z) - Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。
実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。
以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
論文 参考訳(メタデータ) (2024-06-19T00:28:58Z) - Crafting Interpretable Embeddings by Asking LLMs Questions [89.49960984640363]
大規模言語モデル(LLM)は、自然言語処理タスクの増大に対して、テキスト埋め込みを急速に改善した。
質問応答埋め込み (QA-Emb) を導入し, 各特徴がLLMに対して質問された質問に対する回答を表す。
我々はQA-Embを用いて、言語刺激に対するfMRIボクセル応答を予測するための解釈可能なモデルを柔軟に生成する。
論文 参考訳(メタデータ) (2024-05-26T22:30:29Z) - Simultaneous Machine Translation with Large Language Models [51.470478122113356]
我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。
MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。
その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-09-13T04:06:47Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - ConAML: Constrained Adversarial Machine Learning for Cyber-Physical
Systems [7.351477761427584]
サイバー物理システムに適用された機械学習の潜在的な脆弱性について検討する。
本稿では,本システム固有の制約を満たす逆例を生成するConstrained Adversarial Machine Learning (ConAML)を提案する。
論文 参考訳(メタデータ) (2020-03-12T05:59:56Z)
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。