論文の概要: Measuring Complexity at the Requirements Stage: Spectral Metrics as Development Effort Predictors

• arxiv url: http://arxiv.org/abs/2602.07182v1
• Date: Fri, 06 Feb 2026 20:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.488675
• Title: Measuring Complexity at the Requirements Stage: Spectral Metrics as Development Effort Predictors
• Title（参考訳）: 要求段階における複雑度の測定:開発努力予測者としてのスペクトルメートル法
• Authors: Maximilian Vierlboeck, Antonio Pugliese, Roshanak Nilchian, Paul Grogan, Rashika Sugganahalli Natesh Babu,
• Abstract要約: この研究は、アーキテクチャの複雑さ分析と要求工学の実践の間に重要な方法論的ギャップを埋める。 同様の構造的複雑性パターンが統合の労力を予測する可能性があるため、これらのメトリクスを要件エンジニアリングに適用するための検証済みの基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complexity in engineered systems presents one of the most persistent challenges in modern development since it is driving cost overruns, schedule delays, and outright project failures. Yet while architectural complexity has been studied, the structural complexity embedded within requirements specifications remains poorly understood and inadequately quantified. This gap is consequential: requirements fundamentally drive system design, and complexity introduced at this stage propagates through architecture, implementation, and integration. To address this gap, we build on Natural Language Processing methods that extract structural networks from textual requirements. Using these extracted structures, we conducted a controlled experiment employing molecular integration tasks as structurally isomorphic proxies for requirements integration - leveraging the topological equivalence between molecular graphs and requirement networks while eliminating confounding factors such as domain expertise and semantic ambiguity. Our results demonstrate that spectral measures predict integration effort with correlations exceeding 0.95, while structural metrics achieve correlations above 0.89. Notably, density-based metrics show no significant predictive validity. These findings indicate that eigenvalue-derived measures capture cognitive and effort dimensions that simpler connectivity metrics cannot. As a result, this research bridges a critical methodological gap between architectural complexity analysis and requirements engineering practice, providing a validated foundation for applying these metrics to requirements engineering, where similar structural complexity patterns may predict integration effort.
• Abstract（参考訳）: エンジニアリングシステムの複雑さは、コストオーバーラン、スケジュール遅延、そして完全なプロジェクトの失敗を駆り立てているため、現代の開発において最も永続的な課題の1つを示します。 しかし、アーキテクチャの複雑さは研究されているものの、要求仕様に埋め込まれた構造的な複雑さは理解されておらず、不適切に定量化されている。 要件はシステム設計を根本的に推進し、この段階で導入された複雑さは、アーキテクチャ、実装、統合を通じて伝播します。 このギャップに対処するため,テキスト要求から構造的ネットワークを抽出する自然言語処理手法を構築した。 抽出した構造を用いて,分子グラフと要求ネットワークのトポロジ的等価性を生かし,ドメインの専門知識や意味的曖昧さを排除し,分子統合タスクを構造的に同型なプロキシとして活用する制御実験を行った。 分析の結果, 相関係数が0.95を超え, 相関係数が0.89以上となるのに対して, 相関係数は0.95以上であることがわかった。 特に、密度に基づく測定では、有意な予測妥当性は示されていない。 これらの結果から、固有値に基づく尺度は、単純な接続メトリクスでは不可能な認知と努力の次元を捉えることが示唆された。 その結果、アーキテクチャの複雑性分析と要件エンジニアリングの実践の間に重要な方法論的ギャップを埋め、これらのメトリクスを要件エンジニアリングに適用するための検証された基盤を提供する。

関連論文リスト

• Towards Worst-Case Guarantees with Scale-Aware Interpretability [58.519943565092724]
  ニューラルネットワークは、自然データの階層的多スケール構造に従って情報を整理する。 我々は,形式機械と解釈可能性ツールを開発するための統一的な研究課題,即時対応型解釈可能性(enmphscale-aware interpretability)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T01:22:31Z)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• Modeling and Visualization Reasoning for Stakeholders in Education and Industry Integration Systems: Research on Structured Synthetic Dialogue Data Generation Based on NIST Standards [3.5516803380598074]
  本研究では,教育産業統合(EII)システムにおける利害関係者の相互作用の構造的複雑さと意味的あいまいさに対処する。 我々は,NIST(National Institute of Standards and Technology)合成データ品質フレームワークに基づく構造モデリングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-20T12:37:43Z)
• Topological Generalization Bounds for Discrete-Time Stochastic Optimization Algorithms [15.473123662393169]
  ディープニューラルネットワーク(DNN)は、顕著な一般化特性を示す。 これらの能力の源泉は依然として解明され、確立された統計的学習理論を否定している。 近年の研究では、訓練軌跡の性質が一般化の指標であることが示されている。
  論文  参考訳（メタデータ） (2024-07-11T17:56:03Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Parrot Mind: Towards Explaining the Complex Task Reasoning of Pretrained Large Language Models with Template-Content Structure [66.33623392497599]
  テンプレート・コンテント構造(T-C構造)と呼ばれる構造は指数レベルから線形レベルへの可能な空間を減少させることができることを示す。 モデルがタスク構成を達成でき、線形から対数への学習に必要なスペースをさらに削減できることを実証する。
  論文  参考訳（メタデータ） (2023-10-09T06:57:45Z)
• Geometric Constraints in Probabilistic Manifolds: A Bridge from Molecular Dynamics to Structured Diffusion Processes [0.0]
  ユークリッド空間における任意の幾何制約の集合に厳密に固執する分布からのサンプリングを可能にする手法を提案する。 これは、制約プロジェクション演算子をDenoising Diffusion Probabilistic Modelsのよく考えられたアーキテクチャに統合することで達成される。
  論文  参考訳（メタデータ） (2023-07-10T11:31:15Z)
• HardSATGEN: Understanding the Difficulty of Hard SAT Formula Generation and A Strong Structure-Hardness-Aware Baseline [45.91245228386502]
  既存のSAT生成アプローチでは、グローバルな構造特性を同時に捉えることはほとんどできず、高い計算硬度を維持することができる。 本稿では,SAT式生成のためのニューラル・スプリット・マージ・パラダイムに,きめ細かい制御機構を導入するHardSATGENを提案する。 従来の手法と比較すると、平均的な性能向上は構造統計の38.5%、計算の88.4%、解法チューニングの有効性の140.7%以上を達成している。
  論文  参考訳（メタデータ） (2023-02-04T05:58:17Z)
• Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs [39.393383789980895]
  硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
  論文  参考訳（メタデータ） (2023-02-01T00:50:16Z)

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。