論文の概要: Enhancing software product lines with machine learning components
- arxiv url: http://arxiv.org/abs/2510.27640v1
- Date: Fri, 31 Oct 2025 17:12:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 17:52:16.175768
- Title: Enhancing software product lines with machine learning components
- Title（参考訳）: 機械学習コンポーネントによるソフトウェア製品ラインの強化
- Authors: Luz-Viviana Cobaleda, Julián Carvajal, Paola Vallejo, Andrés López, Raúl Mazo,
- Abstract要約: 本稿では、ソフトウェアプロダクトラインエンジニアリングを拡張し、機械学習(ML)コンポーネントの統合を容易にする構造化フレームワークを提案する。
可変性と再利用の体系的なモデリングを可能にすることにより、ML機能を備えたSPLの設計を容易にする。
この提案はVariaMosツールで部分的に実装されている。
- 参考スコア（独自算出の注目度）: 0.20878272814614096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern software systems increasingly integrate machine learning (ML) due to its advancements and ability to enhance data-driven decision-making. However, this integration introduces significant challenges for software engineering, especially in software product lines (SPLs), where managing variability and reuse becomes more complex with the inclusion of ML components. Although existing approaches have addressed variability management in SPLs and the integration of ML components in isolated systems, few have explored the intersection of both domains. Specifically, there is limited support for modeling and managing variability in SPLs that incorporate ML components. To bridge this gap, this article proposes a structured framework designed to extend Software Product Line engineering, facilitating the integration of ML components. It facilitates the design of SPLs with ML capabilities by enabling systematic modeling of variability and reuse. The proposal has been partially implemented with the VariaMos tool.
- Abstract（参考訳）: 現代のソフトウェアシステムは、その進歩とデータ駆動意思決定を強化する能力により、機械学習(ML)をますます統合している。
しかし、この統合はソフトウェアエンジニアリング、特にソフトウェア製品ライン(SPL)において、MLコンポーネントを含めることで、多様性と再利用の管理がより複雑になる、重大な課題をもたらす。
既存のアプローチでは、SPLにおける変数管理と、分離されたシステムにおけるMLコンポーネントの統合に対処しているが、両方のドメインの交わりを探索する例はほとんどない。
具体的には、MLコンポーネントを組み込んだSPLのモデリングと管理が制限されている。
このギャップを埋めるために、この記事では、ソフトウェアプロダクトラインエンジニアリングを拡張し、MLコンポーネントの統合を容易にするために設計された構造化フレームワークを提案する。
可変性と再利用の体系的なモデリングを可能にすることにより、ML機能を備えたSPLの設計を容易にする。
この提案はVariaMosツールで部分的に実装されている。
関連論文リスト
- AXLearn: Modular Large Model Training on Heterogeneous Infrastructure [64.33868455931301]
AXLearnは大規模ディープラーニングモデルのスケーラブルで高性能なトレーニングを容易にする生産用ディープラーニングシステムである。
他の最先端のディープラーニングシステムと比較して、AXLearnはモジュール性と異種ハードウェアインフラストラクチャのサポートにユニークな重点を置いている。
論文 参考訳（メタデータ） (2025-07-07T18:50:58Z) - Graft: Integrating the Domain Knowledge via Efficient Parameter Synergy for MLLMs [56.76586846269894]
MLLM(Multimodal Large Language Models)は、様々な領域で成功している。
その重要性にもかかわらず、ドメイン固有のMLLM間の知識共有の研究はほとんど未調査のままである。
専門家機能のモジュール構成を可能にする統一パラメータ統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-30T15:07:41Z) - Specifications: The missing link to making the development of LLM systems an engineering discipline [65.10077876035417]
我々は、構造化出力、プロセスの監督、テストタイム計算など、これまでの分野の進歩について論じる。
モジュール型かつ信頼性の高いLCMシステムの開発に向けた研究の今後の方向性について概説する。
論文 参考訳（メタデータ） (2024-11-25T07:48:31Z) - A Large-Scale Study of Model Integration in ML-Enabled Software Systems [4.776073133338119]
機械学習(ML)とそのソフトウェアシステムへの統合は、開発プラクティスを大きく変えました。
本稿では2,928のオープンソースML対応ソフトウェアシステムについて大規模に検討する。
論文 参考訳（メタデータ） (2024-08-12T15:28:40Z) - An Exploratory Study of V-Model in Building ML-Enabled Software: A Systems Engineering Perspective [0.7252027234425334]
機械学習(ML)コンポーネントは、ますます重要で影響力のあるソフトウェアシステムに追加されている。
本研究は,ML対応システム構築における学際的コラボレーション課題へのV-Modelの適用について検討する。
論文 参考訳（メタデータ） (2023-08-10T06:53:32Z) - Enhancing Architecture Frameworks by Including Modern Stakeholders and their Views/Viewpoints [48.87872564630711]
データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。
10か国25以上の組織から61名の被験者を対象に調査を行った。
論文 参考訳（メタデータ） (2023-08-09T21:54:34Z) - MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。
ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文 参考訳（メタデータ） (2022-09-15T13:21:16Z)
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。