論文の概要: Software Product Line Engineering: Adoption, Tooling and AI Era Challenges

• arxiv url: http://arxiv.org/abs/2605.21353v1
• Date: Wed, 20 May 2026 16:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.77731
• Title: Software Product Line Engineering: Adoption, Tooling and AI Era Challenges
• Title（参考訳）: ソフトウェアプロダクトラインエンジニアリング - 採用、ツーリング、AI時代の課題
• Abstract要約: サーベイは、主要なSPLE基盤、ライフサイクル概念、採用モデル、ツーリング、AI時代の課題を合成する。 BAPO, FEF, PuLSE, SIMPLE, COPLIMO, PROMOTE-PL, APPLIESなど,主要な採用モデルと評価モデルを比較した。
• 参考スコア（独自算出の注目度）: 0.4061135251278187
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Software Product Line Engineering enables systematic reuse across families of related software intensive systems. This survey synthesises key SPLE foundations, lifecycle concepts, adoption models, tooling and AI era challenges. Based on a structured review of the SPLE literature, we compare major adoption and evaluation models, including BAPO, FEF, PuLSE, SIMPLE, COPLIMO, PROMOTE-PL, and APPLIES. We further summarise the historical evolution of SPLE research from domain engineering foundations to AI assisted variability management. The survey also examines tool interoperability, UVL-based standardisation, SME adoption, migration from clone-and-own development, variability aware DevOps, empirical evidence gaps and assurance challenges for AI assisted SPLE. The paper provides a compact research agenda for software engineering and ICT researchers by consolidating open challenges and future research directions in contemporary SPLE.
• Abstract（参考訳）: ソフトウェアプロダクトラインエンジニアリングは、関連するソフトウェア集約システムのファミリー間で体系的な再利用を可能にする。 このサーベイは、主要なSPLE基盤、ライフサイクル概念、採用モデル、ツーリング、AI時代の課題を合成する。 本稿では, BAPO, FEF, PuLSE, SIMPLE, COPLIMO, PROMOTE-PL, APPLIESなど, SPLE の文献構造を概観し, 主要な採用と評価モデルの比較を行った。 さらに、ドメイン工学の基礎からAIによる可変性管理まで、SPLE研究の歴史的進化を要約する。 また、ツールの相互運用性、UVLベースの標準化、中小企業の採用、クローン・アンド・オーナ開発からの移行、DevOpsに対する可変性認識、AI支援SPLEの実証的エビデンスギャップ、保証課題についても調査した。 本論文は,SPLEにおけるオープン課題と今後の研究方向性を統合することで,ソフトウェア工学とICT研究者のためのコンパクトな研究課題を提供する。

関連論文リスト

• The Evolution of Tool Use in LLM Agents: From Single-Tool Call to Multi-Tool Orchestration [58.61149924275458]
  ツールの使用により、大きな言語モデルが外部情報にアクセスし、ソフトウェアシステムを実行し、モデルパラメータだけで解決できるもの以外のデジタル環境で動作することができる。 エージェントシステムが進化するにつれて、中央の問題は、中途半端な状態、実行フィードバック、環境の変化、安全性、コスト、検証可能性といった実践的な制約によって、孤立呼び出しからマルチツールオーケストレーションへと移行した。 推論時の計画と実行、トレーニングと軌道構築、安全と制御、リソース制約下での効率性、オープン環境における能力の完全性、およびベンチマーク設計と評価の6つの分野に関する文献を整理する。
  論文  参考訳（メタデータ） (2026-03-24T07:05:05Z)
• Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
  課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。 SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。 本稿では,この新興領域を体系的に調査する。
  論文  参考訳（メタデータ） (2026-01-15T18:55:03Z)
• LLM-Based Agentic Systems for Software Engineering: Challenges and Opportunities [0.03437656066916039]
  本論文は,LLMに基づくマルチエージェントシステムの新しいパラダイムを体系的にレビューする。 言語モデルの選択、SE評価ベンチマーク、最先端のエージェントフレームワーク、通信プロトコルなど、幅広いトピックを掘り下げる。
  論文  参考訳（メタデータ） (2026-01-14T19:28:30Z)
• Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
  我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。 我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
  論文  参考訳（メタデータ） (2025-12-16T18:51:23Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Generative AI and Empirical Software Engineering: A Paradigm Shift [9.284024538100063]
  本稿では,大規模言語モデルのソフトウェア工学への統合が,確立した研究パラダイムをいかに破壊するかを考察する。 我々は、我々が研究している現象、我々が依存する方法や理論、分析するデータ、そして、動的AIを介する環境で発生する妥当性に対する脅威をどう変えるかについて議論する。 私たちの目標は、経験豊かなソフトウェアエンジニアリングコミュニティが、AIシステムが単なるツールではなく、ソフトウェアエンジニアリングとその研究を形作る活発な協力者の未来に、その質問や道具、検証基準を適合させることです。
  論文  参考訳（メタデータ） (2025-02-12T04:13:07Z)
• Navigating the Complexity of Generative AI Adoption in Software Engineering [6.190511747986327]
  ソフトウェア工学における生成人工知能(AI)ツールの採用パターンについて検討した。 個人レベル、技術レベル、社会的レベルの影響要因を分析した。
  論文  参考訳（メタデータ） (2023-07-12T11:05:19Z)
• Engineering AI Systems: A Research Agenda [9.84673609667263]
  私たちは、企業が機械学習を採用する際に経験する典型的な進化パターンの概念化を提供します。 論文の主なコントリビューションは、MLソリューションを取り巻く重要なエンジニアリング課題の概要を提供する、AIエンジニアリングに関する研究アジェンダである。
  論文  参考訳（メタデータ） (2020-01-16T20:29:48Z)

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。