論文の概要: TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2504.15427v1
• Date: Mon, 21 Apr 2025 20:37:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-01 01:30:34.156953
• Title: TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation
• Title（参考訳）: TVR: 検索機能強化によるトレーサビリティ検証とリカバリ
• Authors: Feifei Niu, Rongqi Pan, Lionel C. Briand, Hanyang Hu, Krishna Koravadi,
• Abstract要約: 利害関係者の要求とシステム要件の間のトレーサビリティは、一貫性、正確性、規制の遵守を保証するために不可欠である。 既存のアプローチは、ステークホルダーとシステム要件の間のトレーサビリティに対処せず、オープンソースデータに依存し、エンジニアが確立した手動リンクの検証に対処しない。 本稿では,主に自動車システムを対象とした要求トレーサビリティ検証とリカバリ手法であるTVRを紹介する。
• 参考スコア（独自算出の注目度）: 7.50061902435987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In automotive software development, as well as other domains, traceability between stakeholder requirements and system requirements is crucial to ensure consistency, correctness, and regulatory compliance. However, erroneous or missing traceability relationships often arise due to improper propagation of requirement changes or human errors in requirement mapping, leading to inconsistencies and increased maintenance costs. Existing approaches do not address traceability between stakeholder and system requirements, rely on open-source data -- as opposed to automotive (or any industry) data -- and do not address the validation of manual links established by engineers. Additionally, automotive requirements often exhibit variations in the way they are expressed, posing challenges for supervised models requiring training. The recent advancements in large language models (LLMs) provide new opportunities to address these challenges. In this paper, we introduce TVR, a requirement Traceability Validation and Recovery approach primarily targeting automotive systems, leveraging LLMs enhanced with retrieval-augmented generation (RAG). TVR is designed to validate existing traceability links and recover missing ones with high accuracy. We empirically evaluate TVR on automotive requirements, achieving 98.87% accuracy in traceability validation and 85.50% correctness in traceability recovery. Additionally, TVR demonstrates strong robustness, achieving 97.13% in accuracy when handling unseen requirements variations. The results highlight the practical effectiveness of RAG-based LLM approaches in industrial settings, offering a promising solution for improving requirements traceability in complex automotive systems.
• Abstract（参考訳）: 自動車ソフトウェア開発では、他のドメインと同様に、ステークホルダーの要求とシステム要件の間のトレーサビリティは、一貫性、正確性、規制の遵守を保証するために不可欠である。 しかしながら、要件変更の不適切な伝播や、要求マッピングにおけるヒューマンエラーによって、不整合やメンテナンスコストの増加によって、トレーサビリティの誤った関係がしばしば生じます。 既存のアプローチは、ステークホルダーとシステム要件の間のトレーサビリティに対処せず、オープンソースデータに依存しています。 さらに、自動車の要求は、しばしばそれらを表現する方法にバリエーションを示し、訓練を必要とする教師付きモデルの課題を提起する。 大規模言語モデル(LLM)の最近の進歩は、これらの課題に対処する新たな機会を提供する。 本稿では,主に自動車システムを対象とした要求トレーサビリティ・バリデーション・リカバリ手法であるTVRを紹介する。 TVRは、既存のトレーサビリティリンクを検証し、行方不明のリンクを高精度に復元するように設計されている。 我々は,自動車の要求に対してTVRを実験的に評価し,トレーサビリティ検証の精度98.87%,トレーサビリティ回復の精度85.50%を達成した。 さらに、TVRは強い堅牢性を示し、目に見えない要求のバリエーションを扱う場合の精度は97.13%に達する。 その結果,複雑な自動車システムにおける要求トレーサビリティ向上のための有望なソリューションとして,産業環境におけるRAGベースのLCMアプローチの実用的有効性を強調した。

関連論文リスト

• Evaluating Retrieval Augmented Generative Models for Document Queries in Transportation Safety [0.7373617024876725]
  本研究では、ChatGPT、GoogleのVertex AI、ORNL Retrieval Augmented Generation augmented LLaMA 2、LLaMAの3つの微調整生成モデルの性能を評価する。 経路計画と許容要件に関連する現実的なクエリを100個開発した。 その結果、RAGで強化されたLLaMAモデルはVertex AIとChatGPTを大きく上回っており、より詳細で一般的に正確な情報を提供していることがわかった。
  論文  参考訳（メタデータ） (2025-04-09T16:37:03Z)
• RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration [2.879328762187361]
  本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMを提案する。 ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは時系列データにおける異常の検出を強化する。 実際のデータセットでは,70.7%から88.6%に精度が向上した。
  論文  参考訳（メタデータ） (2025-03-04T17:20:43Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [48.15636223774418]
  大きな言語モデル(LLM)は、不一致の自己認識のためにしばしば幻覚する。 既存のアプローチは、不確実性推定やクエリの拒否を通じて幻覚を緩和する。 高速かつ低速な推論システムを統合するための明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Leveraging Graph-RAG and Prompt Engineering to Enhance LLM-Based Automated Requirement Traceability and Compliance Checks [8.354305051472735]
  本研究は,頑健なグラフ-RAGフレームワークを,思考の連鎖や思考の樹木といった先進的な技術と統合することにより,性能を著しく向上させることを実証する。 さまざまなコンテキストにまたがって実装するのはコストが高く、複雑で、特定のシナリオに慎重に適応する必要がある。
  論文  参考訳（メタデータ） (2024-12-11T18:11:39Z)
• Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。 本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-16T09:06:44Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• Reachability Verification Based Reliability Assessment for Deep Reinforcement Learning Controlled Robotics and Autonomous Systems [17.679681019347065]
  Deep Reinforcement Learning (DRL)は、ロボット工学と自律システム(RAS)において優れたパフォーマンスを達成した 実生活での運用において重要な課題は、危険なほど安全でないDRLポリシーの存在である。 本稿ではDRL制御RASのための新しい定量的信頼性評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-26T19:25:46Z)
• ROAD-R: The Autonomous Driving Dataset with Logical Requirements [54.608762221119406]
  論理要求付きROADイベント認識データセット(ROAD-R)を紹介する。 ROAD-Rは、論理的制約として表現された要件を持つ、自動運転のための最初の公開データセットである。 我々は、(i)パフォーマンスが良く、(ii)要求自体に準拠することが保証されているモデルを作成するためにそれらを活用できることを示します。
  論文  参考訳（メタデータ） (2022-10-04T13:22:19Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Dependability Analysis of Deep Reinforcement Learning based Robotics and Autonomous Systems [10.499662874457998]
  深層強化学習(DRL)のブラックボックスの性質と不確実な展開環境は、その信頼性に新たな課題をもたらす。 本稿では、時間論理における信頼性特性のセットを定義し、DRL駆動RASのリスク/障害のダイナミクスをモデル化するための離散時間マルコフ連鎖(DTMC)を構築する。 実験の結果,提案手法は総合評価の枠組みとして有効であり,また,トレーニングにおいてトレードオフを必要とする可能性のある特性の相違を明らかにする。
  論文  参考訳（メタデータ） (2021-09-14T08:42:29Z)

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。