Fugu-MT 論文翻訳(概要): B-OCL: An Object Constraint Language Interpreter in Python

論文の概要: B-OCL: An Object Constraint Language Interpreter in Python

arxiv url: http://arxiv.org/abs/2503.00944v1
Date: Sun, 02 Mar 2025 15:53:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:22:35.890965
Title: B-OCL: An Object Constraint Language Interpreter in Python
Title（参考訳）: B-OCL: Pythonでのオブジェクト制約言語解釈
Authors: Fitash Ul Haq, Jordi Cabot,
Abstract要約: Object Constraint Language (OCL) はモデリングコミュニティで広く使われている。本稿では,Python用のOCLインタプリタを提案する。
参考スコア（独自算出の注目度）: 3.5727068409734555
License:
Abstract: The Object Constraint Language (OCL) has been widely used in the modeling community to complement software models for precisely defining constraints and business rules for the modeled systems. There is a limited number of tools supporting the definition and interpretation of OCL constraints, even less for a Python-based modelling approaches. In this paper, we introduce an OCL interpreter for Python. The interpreter has two components: parser and evaluator. We implement the OCL metamodel as a set of Python classes and design the grammar for the parser using the state-of-the-art ANTLR parser generator. The parser generates the syntax tree, that conforms with the OCL metamodel, after parsing each part of the OCL constraint. The evaluator then interprets the constraints using this syntax tree and the object diagram. In the end, the interpreter reports the result for all the constraints.
Abstract（参考訳）: Object Constraint Language (OCL)は、モデリングコミュニティにおいて、モデリングされたシステムに対する制約とビジネスルールを正確に定義するためのソフトウェアモデルを補完するために広く使われている。 OCLの制約の定義と解釈をサポートするツールは限られており、Pythonベースのモデリングアプローチではなおさらだ。本稿では,Python用のOCLインタプリタを提案する。インタプリタにはパーサと評価器という2つのコンポーネントがある。我々は,Python クラスの集合として OCL メタモデルを実装し,最先端の ANTLR パーサジェネレータを用いてパーサの文法を設計する。パーサは、OCL制約の各部分を解析した後、OCLメタモデルに準拠した構文木を生成する。評価子は、この構文木とオブジェクト図を使って制約を解釈します。最後に、インタプリタはすべての制約について結果を報告します。

関連論文リスト

Design and architecture of the IBM Quantum Engine Compiler [0.0]
我々は、現在IBMの量子システムで使われているオープンソースの量子エンジン(qe-compiler)の設計とアーキテクチャについて述べる。 qe-compilerはLLVMのMulti-Level Intermediate Representationフレームワークを使って構築されている。 qe-compilerは、量子コンピューティングの未来をサポートするために、スケーラブルで、保守性があり、パフォーマンスがあり、スケーラブルであるように設計されている。
論文参考訳（メタデータ） (2024-08-12T19:54:43Z)
DocCGen: Document-based Controlled Code Generation [33.19206322891497]
DocCGenは、構造化コード言語のためのNL-to-Code生成タスクを2段階のプロセスに分解することで、豊富な知識を活用できるフレームワークである。実験の結果,DocCGenは6つの評価指標すべてで,言語モデルのサイズを常に改善していることがわかった。
論文参考訳（メタデータ） (2024-06-17T08:34:57Z)
LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
論文参考訳（メタデータ） (2023-10-30T17:55:02Z)
COLLIE: Systematic Construction of Constrained Text Generation Tasks [33.300039566331876]
COLLIEは文法ベースのフレームワークで、多種多様な世代レベルのリッチで構成的な制約を仕様化することができる。本研究では,制約構造と生テキストコーパスが与えられたタスクインスタンスの自動抽出ツールを開発する。我々は、最先端の5つの言語モデルに対して体系的な実験を行い、その性能を分析し、欠点を明らかにする。
論文参考訳（メタデータ） (2023-07-17T17:48:51Z)
The ACL OCL Corpus: Advancing Open Science in Computational Linguistics [19.282407097200917]
ACL OCLは70年間に渡り、73Kの論文と210Kの数字を含んでいる。教師付きニューラルモデルで論文のトピックを検出することで、"Syntax: Tagging, Chunking and Parsing"への関心が薄れ、"hugging Language Generation"が復活しつつあることに注意する。
論文参考訳（メタデータ） (2023-05-24T10:35:56Z)
Adapting Language Models to Compress Contexts [71.98287002918941]
トランスフォーマーベースの言語モデル(LM)は強力で広く適用可能なツールであるが、その有用性は有限コンテキストウィンドウによって制限される。本稿では,事前学習したLMを,長いコンテキストをコンパクトな要約ベクトルに圧縮可能なAutoCompressorに適応させることを提案する。最大30,720個のトークンのシーケンスでOPTとLlama-2モデルを微調整し、AutoCompressorが長いコンテキストを使ってパープレキシティを向上できることを示す。
論文参考訳（メタデータ） (2023-05-24T06:42:44Z)
Outline, Then Details: Syntactically Guided Coarse-To-Fine Code Generation [61.50286000143233]
ChainCoderは、Pythonコードを段階的に生成するプログラム合成言語モデルである。自然言語記述と構文的に整合したI/Oデータサンプルを共同で符号化するために、カスタマイズされたトランスフォーマーアーキテクチャを利用する。
論文参考訳（メタデータ） (2023-04-28T01:47:09Z)
On Codex Prompt Engineering for OCL Generation: An Empirical Study [10.184056098238765]
Object Constraint Language (OCL)は、MOFモデルに制約とオブジェクトクエリ式を追加する宣言型言語である。 GPT-3のような最近のLPMの進歩は、多くのNLPタスクにおいてその能力を示している。自然言語仕様からCodexが生成するOCL制約の信頼性について検討する。
論文参考訳（メタデータ） (2023-03-28T18:50:51Z)
BenchCLAMP: A Benchmark for Evaluating Language Models on Syntactic and Semantic Parsing [55.058258437125524]
本稿では,制約付きLanguage Model Parsingを評価するベンチマークであるBenchCLAMPを紹介する。 APIを通じてのみ利用可能な2つのGPT-3変種を含む8つの言語モデルをベンチマークする。実験により,エンコーダ-デコーダ事前学習言語モデルでは,モデル出力が有効であると制約された場合に,構文解析や意味解析の最先端手法を超えることができることがわかった。
論文参考訳（メタデータ） (2022-06-21T18:34:11Z)
Unsupervised and Few-shot Parsing from Pretrained Language Models [56.33247845224995]
本研究では,事前学習言語モデルで学習した自己注意重み行列に基づいて,アウトアソシエーションスコアを算出した教師なし構成的パーシングモデルを提案する。教師なしモデルからいくつかの注釈付き木を用いた数ショット構文解析モデルに拡張し、解析のためのより優れた線形射影行列を学習する。 FPIOは20本の注釈付き木で訓練され、50本の注釈付き木で訓練された過去の数枚の構文解析よりも優れていた。
論文参考訳（メタデータ） (2022-06-10T10:29:15Z)
Explicitly Modeling Syntax in Language Models with Incremental Parsing and a Dynamic Oracle [88.65264818967489]
我々は新しい構文認識型言語モデル、Syntactic Ordered Memory (SOM)を提案する。モデルは、構造をインクリメンタルにモデル化し、標準言語モデルの条件付き確率設定を維持する。実験により、SOMは言語モデリング、インクリメンタル解析、構文一般化テストにおいて強力な結果が得られることが示された。
論文参考訳（メタデータ） (2020-10-21T17:39:15Z)

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。