論文の概要: Thinging Machines for Requirements Engineering: Superseding Flowchart-Based Modeling
- arxiv url: http://arxiv.org/abs/2501.16712v1
- Date: Tue, 28 Jan 2025 05:30:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:42:20.102639
- Title: Thinging Machines for Requirements Engineering: Superseding Flowchart-Based Modeling
- Title（参考訳）: 要求工学のための薄型機械:フローチャートモデルに取って代わる
- Authors: Sabah Al-Fedaghi,
- Abstract要約: 現在の要件モデルの適用は、自然言語を用いた情報収集に重点を置いていると主張されている。
この問題に対する解法として,複雑性理論,超学際性,多次元性,知識管理などが考えられる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This paper directs attention to conceptual modeling approaches that integrate advancements and innovations in requirements engineering. In some current (2024) works, it is claimed that present elicitation of requirements models focus on collecting information using natural language, which yields ambiguous specifications. It is proposed that a solution to this problem involves using complexity theory, transdisciplinarity, multidimensionality and knowledge management. Examples are used to demonstrate how such an approach helps solve the problem of quality and reliability in requirements engineering. The modeling method includes flowchart-like diagrams that show the relationships among system components and values in various modes of operation as well as path graphs that represent the system behavior. This paper focuses on the diagrammatic techniques in such approaches, with special attention directed to flowcharting (e.g., UML activity diagrams, business process model and notation (BPMN) business process diagrams). We claim that diagramming methods based on flowcharts is an outdated technique, and we promote an alternative diagrammatic modeling methodology based on thinging machines (TMs). TMs involve a high-level diagrammatic representation of a real-world system that integrates various component specifications to be refined into a more concrete executable form. TM modeling is a valuable tool to integrate requirements elicitation and address present challenges comprehensively. To demonstrate that, case studies are re-modeled using TMs. A TM model involves static, dynamic diagrams and event chronology charts. This study contrasts the flowchart-based and the TM approaches. The results point to the benefits of adopting the TM diagramming method.
- Abstract（参考訳）: 本稿では,要求工学の進歩と革新を統合する概念モデリングアプローチに注意を向ける。
現在(2024年)のいくつかの著作では、要求モデルの適用は自然言語による情報収集に重点を置いており、あいまいな仕様が生み出されていると主張されている。
この問題に対する解法として,複雑性理論,超学際性,多次元性,知識管理などが考えられる。
このようなアプローチが要求工学における品質と信頼性の問題を解決するのにどのように役立つかを示す例として、例を挙げる。
本手法は,システム動作を表す経路グラフだけでなく,様々な動作モードにおけるシステムコンポーネントと値の関係を示すフローチャートライクな図を含む。
本稿では、フローチャート(UMLアクティビティ図、ビジネスプロセスモデル、表記法(BPMN)ビジネスプロセス図など)に特に注目する。
本稿では,フローチャートに基づくダイアグラム法は時代遅れの手法であると主張する。
TMは、様々なコンポーネント仕様を統合し、より具体的な実行可能な形式に洗練する現実世界のシステムの高レベルな図式表現を含む。
TMモデリングは、要件の適用と現在の課題を包括的に解決するための貴重なツールである。
これを証明するために、ケーススタディはTMを用いて再モデル化される。
TMモデルには静的な動的ダイアグラムとイベント時系列チャートが含まれる。
本研究はフローチャートとTMのアプローチを対比する。
その結果、TMダイアグラム法を採用するメリットが示唆された。
関連論文リスト
- Transformer-Based Multimodal Knowledge Graph Completion with Link-Aware Contexts [3.531533402602335]
マルチモーダル知識グラフ補完(MMKGC)は、マルチモーダル知識グラフ(MMKG)における欠落リンクの予測を目的とする。
既存のMMKGCアプローチは主に知識グラフ埋め込み(KGE)モデルを拡張している。
本稿では,トランスフォーマーをベースとしたKGEモデルと,事前学習したVLMが生成するクロスモーダルコンテキストを統合した新しい手法を提案する。
論文 参考訳（メタデータ） (2025-01-26T22:23:14Z) - Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。
特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
論文 参考訳（メタデータ） (2024-08-26T13:26:44Z) - Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。
これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
論文 参考訳（メタデータ） (2024-08-14T16:58:48Z) - CogCoM: Train Large Vision-Language Models Diving into Details through Chain of Manipulations [61.21923643289266]
カオス・オブ・マニピュレーション(Chain of Manipulations)は、視覚言語モデル(Vision-Language Models)が、エビデンスを段階的に解決するメカニズムである。
トレーニング後、モデルは外部ツールを介さずに、本質的な操作(グラウンド、ズームインなど)を積極的に行うことで、様々な視覚的問題を解決することができる。
トレーニングされたモデルである textbfCogCoM は、4つのカテゴリの9つのベンチマークで最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-02-06T18:43:48Z) - Sparse Graphical Linear Dynamical Systems [1.6635799895254402]
時系列データセットは機械学習の中心であり、科学と工学の様々な分野に応用されている。
本研究は,共同グラフィカル・モデリング・フレームワークを導入することでギャップを埋める新しい手法を提案する。
本稿では,DGLASSOを提案する。DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO。
論文 参考訳（メタデータ） (2023-07-06T14:10:02Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳（メタデータ） (2023-04-28T21:48:31Z) - Methodology for Holistic Reference Modeling in Systems Engineering [0.0]
本稿では,様々な視点やレベルにまたがる参照モデルを記述するための全体論的アプローチを提案する。
メリットには、参照設計の開始時点ですでに考慮されているパフォーマンスパラメータによる、機能カバレッジのエンドツーエンドトレーサビリティが含まれる。
論文 参考訳（メタデータ） (2022-11-21T13:41:07Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-14T16:42:59Z) - 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) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。