論文の概要: Automating the Detection of Requirement Dependencies Using Large Language Models

• arxiv url: http://arxiv.org/abs/2602.22456v1
• Date: Wed, 25 Feb 2026 22:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.43817
• Title: Automating the Detection of Requirement Dependencies Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた要求依存検出の自動化
• Authors: Ikram Darif, Feifei Niu, Manel Abdellatif, Lionel C. Briand, Ramesh S., Arun Adiththan,
• Abstract要約: 要件依存関係の自動検出のためのLCMベースのアプローチであるLEREDDを導入する。 自然言語(NL)要求から直接、多様な依存型を特定するように設計されている。 2つの最先端のベースラインに対してLEREDDを実験的に評価した。
• 参考スコア（独自算出の注目度）: 5.561866904930191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Requirements are inherently interconnected through various types of dependencies. Identifying these dependencies is essential, as they underpin critical decisions and influence a range of activities throughout software development. However, this task is challenging, particularly in modern software systems, given the high volume of complex, coupled requirements. These challenges are further exacerbated by the ambiguity of Natural Language (NL) requirements and their constant change. Consequently, requirement dependency detection is often overlooked or performed manually. Large Language Models (LLMs) exhibit strong capabilities in NL processing, presenting a promising avenue for requirement-related tasks. While they have shown to enhance various requirements engineering tasks, their effectiveness in identifying requirement dependencies remains unexplored. In this paper, we introduce LEREDD, an LLM-based approach for automated detection of requirement dependencies that leverages Retrieval-Augmented Generation (RAG) and In-Context Learning (ICL). It is designed to identify diverse dependency types directly from NL requirements. We empirically evaluate LEREDD against two state-of-the-art baselines. The results show that LEREDD provides highly accurate classification of dependent and non-dependent requirements, achieving an accuracy of 0.93, and an F1 score of 0.84, with the latter averaging 0.96 for non-dependent cases. LEREDD outperforms zero-shot LLMs and baselines, particularly in detecting fine-grained dependency types, where it yields average relative gains of 94.87% and 105.41% in F1 scores for the Requires dependency over the baselines. We also provide an annotated dataset of requirement dependencies encompassing 813 requirement pairs across three distinct systems to support reproducibility and future research.
• Abstract（参考訳）: 要件は本質的に,さまざまなタイプの依存関係を通じて相互接続される。 これらの依存関係の特定は、重要な決定を下し、ソフトウェア開発全体を通して幅広い活動に影響を与えるため、不可欠である。 しかし、このタスクは複雑で結合した要求が多すぎることを考えると、特に現代のソフトウェアシステムでは困難である。 これらの課題は、自然言語(NL)要求のあいまいさとその変化によってさらに悪化する。 その結果、要求依存検出はしばしば見過ごされるか、手動で実行される。 大規模言語モデル(LLM)は、NL処理において強力な能力を示し、要求に関連したタスクに対する有望な道を示す。 さまざまな要件エンジニアリングタスクの強化が示されているが、要件依存関係を特定する上での有効性は未検討のままだ。 本稿では,レトリーバル拡張生成(RAG)とインコンテキスト学習(ICL)を活用するLCMに基づく要件依存関係の自動検出手法LEREDDを紹介する。 NL要求から直接、多様な依存型を特定するように設計されている。 2つの最先端のベースラインに対してLEREDDを実験的に評価した。 その結果, LEREDDは, 非依存症例の平均0.96で0.93, F1スコア0.84の精度で, 従属要件および非依存要件の高精度な分類を行うことができた。 LEREDDはゼロショットLCMやベースラインよりも優れており、特に細粒度依存型の検出において、ベースライン上のRequirees依存度の平均相対利得は94.87%、F1スコアの105.41%である。 また、再現性と将来の研究をサポートするために、3つの異なるシステムにまたがる813の要件ペアを含む、要件依存関係の注釈付きデータセットも提供します。

関連論文リスト

• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• The Path of Self-Evolving Large Language Models: Achieving Data-Efficient Learning via Intrinsic Feedback [51.144727949988436]
  強化学習(RL)は、大規模言語モデル(LLM)の推論能力を高める可能性を実証した。 本研究では,最小限のデータを用いたLLによるLLMの改善について検討する。 データ依存を最小限に抑えるため、自己認識に基礎を置いた2つの新しいメカニズムを導入する。
  論文  参考訳（メタデータ） (2025-10-03T06:32:10Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• CoRe: Benchmarking LLMs Code Reasoning Capabilities through Static Analysis Tasks [14.408364047538578]
  大規模言語モデル(LLM)は、ソフトウェア工学の様々な領域で広く採用されている。 この研究は、基本的な静的解析タスク上でのLCMを評価するために設計されたベンチマークであるCOREを提示する。
  論文  参考訳（メタデータ） (2025-07-03T01:35:58Z)
• TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation [6.254217675711076]
  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。 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。
  論文  参考訳（メタデータ） (2025-04-21T20:37:23Z)
• Unconditional Truthfulness: Learning Unconditional Uncertainty of Large Language Models [104.55763564037831]
  我々は、注意マップ、現在の生成ステップにおける確率、および以前に生成されたトークンから繰り返し計算された不確実性スコアを利用する回帰モデルを訓練する。 評価の結果,提案手法は選択的生成に極めて有効であり,教師なしアプローチと教師なしアプローチに比較して大幅な改善が得られた。
  論文  参考訳（メタデータ） (2024-08-20T09:42:26Z)
• The BP Dependency Function: a Generic Measure of Dependence between Random Variables [0.0]
  ランダム変数(RV)間の依存関係の測定と定量化は、データセットに対する重要な洞察を与えることができる。 データ分析の一般的な実践は、ほとんどのデータアナリストが、RV間の依存を定量化するためにピアソン相関係数(PCC)を使用していることである。 これらの要件をすべて満たした新しい依存性関数を提案する。
  論文  参考訳（メタデータ） (2022-03-23T11:14:40Z)
• Leveraging Semantic Parsing for Relation Linking over Knowledge Bases [80.99588366232075]
  本稿では,AMRを用いた意味解析と遠隔監視を利用した関係リンクフレームワークであるSlingを提案する。 Slingは複数の関係リンクアプローチを統合し、言語的手がかり、豊かな意味表現、知識ベースからの情報などの補完的な信号をキャプチャする。 QALD-7, QALD-9, LC-QuAD 1.0という3つのKBQAデータセットを用いた関係リンク実験により, 提案手法が全てのベンチマークで最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:56:11Z)

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。