論文の概要: Reasoning About Variability Models Through Network Analysis

• arxiv url: http://arxiv.org/abs/2603.16577v1
• Date: Tue, 17 Mar 2026 14:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.338502
• Title: Reasoning About Variability Models Through Network Analysis
• Title（参考訳）: ネットワーク分析による変数モデルの検討
• Authors: Jose Manuel Sanchez, Miguel Angel Olivero, Ruben Heradio, Luis Cambelo, David Fernandez-Amoros,
• Abstract要約: i)これらのグラフで示される構造パターン,(ii)そのようなパターンがドメインやモデルソースによってどの程度異なるか,および(iii)ネットワークベースインジケータの有用性に関する3つの研究課題に焦点をあてる。 20のリポジトリから5,709のモデルのデータセットを分析し、複数のアプリケーションドメインとさまざまなサイズにまたがる。
• 参考スコア（独自算出の注目度）: 1.6220305601530791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature models are widely used to capture the configuration space of software systems. Although automated reasoning has been studied for detecting problematic features and supporting configuration tasks, significantly less attention has been given to the systematic study of the structural properties of feature models at scale. The approach fills this gap by examining the models' structure through a network analysis perspective. We focus on three Research Questions concerning (i) the structural patterns exhibited by these graphs, (ii) the extent to which such patterns vary across domains and model sources, and (iii) the usefulness of network-based indicators for understanding, maintaining, and evolving variability models. To answer these questions, we analyze a dataset of 5,709 models from 20 repositories, spanning multiple application domains and varying sizes (ranging from 99 to 35,907 variables on their Boolean translation). To do so, graphs of transitive dependencies and conflicts between features are computed. Our results reveal consistent structural traits (e.g., the predominance of dependency relations, the presence of highly central features, or characteristic node degree distributions) as well as notable domain-specific deviations. These findings ease the identification of maintenance-relevant features, opportunities for modular decomposition, and indicators of structural fragility. This approach provides a scalable, graph-based foundation for the empirical analysis of variability models and contributes quantitative evidence to support future research on their structure and evolution.
• Abstract（参考訳）: 機能モデルは、ソフトウェアシステムの構成空間をキャプチャするために広く使われている。 自動推論は、問題のある特徴を検出し、構成タスクをサポートするために研究されているが、大規模の特徴モデルの構造的特性に関する体系的な研究には、はるかに少ない注意が払われている。 このアプローチは、ネットワーク分析の観点からモデルの構造を調べることによって、このギャップを埋める。 我々は3つの研究課題に焦点をあてる (i)これらのグラフで示される構造パターン 二 このようなパターンがドメインやモデルソースにまたがる程度、及び 三 ネットワークに基づく変数モデルの理解、維持、進化のための指標の有用性。 これらの質問に答えるために、私たちは、20のリポジトリから5,709のモデルのデータセットを分析し、複数のアプリケーションドメインとさまざまなサイズ(ブール変換で99から35,907変数まで)にまたがる。 そのため、推移的な依存関係と機能間の衝突のグラフが計算される。 以上の結果から,一貫した構造的特徴(依存性関係の優位性,高中心的特徴の存在,特徴ノード次数分布)と,特筆すべきドメイン固有偏差が明らかとなった。 これらの知見は、メンテナンスに関連する特徴、モジュラー分解の機会、構造的脆弱性の指標の識別を容易にする。 このアプローチは、変動モデルの実証分析のためのスケーラブルでグラフベースの基盤を提供し、その構造と進化に関する将来の研究を支援するための定量的証拠を提供する。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Demystifying Network Foundation Models [14.775836458250799]
  本研究は,ネットワークファウンデーションモデル (NFM) に符号化された潜伏知識の体系的研究である。 4種類のNFMを評価し,それぞれに有意な異方性,不整合性特徴感度パターンが認められた。 私たちの研究は、すべてのモデルにまたがる多くの制限を特定し、それらに対処することで、モデルのパフォーマンスが大幅に改善できることを示します。
  論文  参考訳（メタデータ） (2025-09-27T03:53:46Z)
• Variational Graph Convolutional Neural Networks [72.67088029389764]
  不確実性は、グラフ畳み込みネットワークの説明可能性を改善するのに役立つ。 不確実性は、モデルの結果を検証するために重要なアプリケーションでも使用することができる。
  論文  参考訳（メタデータ） (2025-07-02T13:28:37Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• The Importance of Downstream Networks in Digital Pathology Foundation Models [1.689369173057502]
  162のアグリゲーションモデル構成を持つ3つの異なるデータセットにまたがる7つの特徴抽出モデルを評価する。 多くの特徴抽出器モデルの性能は顕著に類似していることが判明した。
  論文  参考訳（メタデータ） (2023-11-29T16:54:25Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Learning Structured Latent Factors from Dependent Data:A Generative Model Framework from Information-Theoretic Perspective [18.88255368184596]
  本稿では,潜在空間における様々な基盤構造を持つ生成モデル学習のための新しいフレームワークを提案する。 我々のモデルは、様々なタイプの望まれる構造を反映した意味論的に意味のある潜在因子の集合を学習するための原則化されたアプローチを提供する。
  論文  参考訳（メタデータ） (2020-07-21T06:59:29Z)

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。