論文の概要: ProMoTA: a model-driven framework for end-to-end traceability analysis
- arxiv url: http://arxiv.org/abs/2605.01042v1
- Date: Fri, 01 May 2026 19:13:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.55365
- Title: ProMoTA: a model-driven framework for end-to-end traceability analysis
- Title（参考訳）: ProMoTA: エンドツーエンドトレーサビリティ分析のためのモデル駆動フレームワーク
- Authors: Sadaf Mustafiz, Marko Mijalkovic, Moharram Challenger,
- Abstract要約: 我々は、エンドツーエンドのトレーサビリティとプロセスモデリングを統合するアプローチを提案する。
エンドツーエンドのトレーサビリティ情報の生成は,グローバルなモデルトレーサビリティを実現する。
私たちは、私たちのアプローチをサポートするために、Eclipseベースのフレームワーク、ProMoTAを構築しました。
- 参考スコア（独自算出の注目度）: 2.116865312302264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose an approach that integrates end-to-end traceability with process modelling. OurprocessmodelsrepresentMDEworkflowsthatspan platform-independent-modelling, platform-specificmodelling, andcodegenerationphases. Processexecutionisautomated using megamodels and model transformation chains. The generation of end-to-end traceability information enables global model traceability, from high-level input models to generated code, forming the basis for traceability analysis. We have built an Eclipse-based framework, ProMoTA, to support our approach. ProMoTA extends the Acceleo model transformation language, introducing local traceability support. It also includes a global traceability map generator and end-to-end traceability analysis modules, providing users with a holistic view of the entire transformation process. Our framework is demonstrated with the use of a Wireless Sensor Network-Based IoT application.
- Abstract（参考訳）: 本稿では,エンドツーエンドのトレーサビリティとプロセスモデリングを統合するアプローチを提案する。
OurprocessmodelsrepresentMDEworkflowsthatspan platform-independent-modelling, platform-specific modelling, andcodegenerationphases。
メガモデルとモデル変換チェーンを使用してプロセス実行が自動化される。
エンドツーエンドのトレーサビリティ情報の生成により、高レベルな入力モデルから生成されたコードまで、グローバルなモデルトレーサビリティが可能になり、トレーサビリティ解析の基礎を形成します。
私たちは、私たちのアプローチをサポートするために、Eclipseベースのフレームワーク、ProMoTAを構築しました。
ProMoTAはAcceleoモデル変換言語を拡張し、ローカルトレーサビリティのサポートを導入した。
また、グローバルトレーサビリティマップジェネレータとエンドツーエンドトレーサビリティ分析モジュールが含まれており、変換プロセス全体の全体像を提供する。
われわれのフレームワークは、無線センサネットワークベースのIoTアプリケーションを用いて実証されている。
関連論文リスト
- Latent Particle World Models: Self-supervised Object-centric Stochastic Dynamics Modeling [51.40150411616207]
実世界のマルチオブジェクトデータセットに拡張された自己教師型オブジェクト中心の世界モデルであるLatent Particle World Model (LPWM)を紹介する。
LPWMは、ビデオデータから直接キーポイント、バウンディングボックス、オブジェクトマスクを自律的に発見する。
私たちのアーキテクチャは、純粋にビデオからエンドツーエンドにトレーニングされ、アクション、言語、イメージ目標に対するフレキシブルな条件付けをサポートします。
論文 参考訳（メタデータ） (2026-03-04T19:36:08Z) - Model-Driven Legacy System Modernization at Scale [0.0]
本稿では,レガシシステムモダナイゼーションに対するモデル駆動型アプローチを提案する。
分析、濃縮、合成、遷移の4段階のプロセスは系統的に抽出、抽象、変換を行う。
機能的動作と不可欠な非機能的特性を保ちながら、コアユーザインターフェースコンポーネントとページ構造を半自動でモダンなWebスタックに移行できることを示します。
論文 参考訳（メタデータ） (2026-02-04T09:07:20Z) - Meta-probabilistic Modeling [36.339664748241944]
複数の関連するデータセットから生成モデル構造を直接学習するメタ確率モデリング(MPM)を提案する。
学習と推論のために、抽出可能なVAEにインスパイアされたサロゲートの目的を提案し、双方向の最適化により最適化する。
我々は、オブジェクト中心の画像モデリングとシーケンシャルテキストモデリングでMPMを評価し、有意義な潜在表現を復元しながら、生成モデルをデータに適応させることを実証した。
論文 参考訳（メタデータ） (2026-01-08T00:34:06Z) - Model Gateway: Model Management Platform for Model-Driven Drug Discovery [0.0]
Model Gatewayは、薬物発見パイプラインで機械学習(ML)と科学計算モデルを管理するための管理プラットフォームである。
このプラットフォームは、MLモデル管理タスクを実行するために、Large Language Model (LLM) AgentsとGenerative AIベースのツールをサポートする。
論文 参考訳（メタデータ） (2025-12-05T06:39:37Z) - Affordance Representation and Recognition for Autonomous Agents [64.39018305018904]
本稿では,構造化データを用いた世界モデリングのためのパターン言語を提案する。
DOMトランスダクションパターンは、Webページの複雑さの課題に対処する。
Hypermedia Affordances Recognition Patternは、エージェントがその世界モデルを動的に強化することを可能にする。
論文 参考訳（メタデータ） (2025-10-28T14:27:28Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - Flexible Language Modeling in Continuous Space with Transformer-based Autoregressive Flows [46.673228292287895]
本稿では,連続表現のモデル化にトランスフォーマーに基づく自己回帰正規化フローを用いた新しいフレームワークを提案する。
このアプローチは大きな柔軟性を解放し、グローバルな双方向コンテキストをキャプチャ可能なモデルの構築を可能にします。
離散データによって形成される潜在空間内の複雑な依存関係をキャプチャする混合結合変換を提案する。
論文 参考訳（メタデータ） (2025-07-01T04:51:25Z) - Transformer Architecture for NetsDB [0.0]
我々はNetsDBで機能するディープラーニングモデルのためのトランスフォーマーのエンドツーエンド実装を作成します。
分散処理、デプロイメント、効率的な推論のために、当社のモデルから重みをロードします。
論文 参考訳（メタデータ） (2024-05-08T04:38:36Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - RefSAM: Efficiently Adapting Segmenting Anything Model for Referring Video Object Segmentation [53.4319652364256]
本稿では,ビデオオブジェクトのセグメンテーションを参照するためのSAMの可能性を探るRefSAMモデルを提案する。
提案手法は,Cross-RValModalを用いることで,モダリティ学習を向上させるためにオリジナルのSAMモデルに適応する。
我々は、言語と視覚の特徴を効果的に調整し、融合させるために、パラメータ効率のチューニング戦略を採用している。
論文 参考訳（メタデータ） (2023-07-03T13:21:58Z)
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。