論文の概要: Leveraging LLMs for Grammar Adaptation: A Study on Metamodel-Grammar Co-Evolution

• arxiv url: http://arxiv.org/abs/2605.21465v1
• Date: Wed, 20 May 2026 17:51:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.826165
• Title: Leveraging LLMs for Grammar Adaptation: A Study on Metamodel-Grammar Co-Evolution
• Title（参考訳）: 文法適応のためのLLMの活用:メタモデル-文法共進化に関する研究
• Authors: Weixing Zhang, Bowen Jiang, Rahul Sharma, Regina Hebig, Daniel Strüber,
• Abstract要約: 既存のルールベースのメソッドは部分的な自動化を実現することができるが、複雑な文法シナリオを扱う場合に制限がある。 本稿では,前バージョンから文法適応を学習することで,進化後の新しい文法への適応を自動的に適用する大規模言語モデルに基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 7.1513843112788775
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In model-driven engineering, metamodel evolution leads to the need to adapt corresponding grammars to maintain consistency, which typically requires tedious manual work. Existing rule-based methods can achieve partial automation but have limitations when handling complex grammar scenarios. This paper proposes a Large Language Model-based approach that automatically applies adaptations to new grammars after evolution by learning grammar adaptations from previous versions. We evaluated this approach on six real-world Xtext domain-specific languages, using four DSLs as a training set to develop prompting strategies, two DSLs as a test set for validation, and conducting a longitudinal case study on QVTo. The evaluation used three Large Language Models (Claude Sonnet 4.5, ChatGPT 5.1, Gemini 3) and measured grammar adaptation quality from three dimensions: grammar rule-level adaptation consistency, output similarity, and metamodel conformance. Results show that on the test set, all three LLMs achieved 100% adaptation consistency and output similarity, while the rule-based approach achieved only 84.21% on DOT and 62.50% on Xcore. In the QVTo longitudinal study, the LLM-based approach successfully reused learned adaptations across all three evolution steps without manual grammar editing, while the rule-based approach required manual adjustments in two of three transitions. However, on large-scale grammars (EAST-ADL, 297 rules), LLMs' adaptation consistency was far below 90%. This study demonstrates the advantages of LLM-based approaches in handling complex grammar scenarios, while revealing their limitations in large-scale grammar adaptation.
• Abstract（参考訳）: モデル駆動エンジニアリングでは、メタモデル進化は、一貫性を維持するために対応する文法を適用する必要がある。 既存のルールベースのメソッドは部分的な自動化を実現することができるが、複雑な文法シナリオを扱う場合に制限がある。 本稿では,前バージョンから文法適応を学習することで,進化後の新しい文法への適応を自動的に適用する大規模言語モデルに基づくアプローチを提案する。 提案手法を実世界の6つのXtextドメイン固有言語で評価し,4つのDSLを訓練セットとして,2つのDSLを検証用テストセットとして,そしてQVToのケーススタディを行った。 評価には3つの大規模言語モデル(Claude Sonnet 4.5, ChatGPT 5.1, Gemini 3)を使用し,文法規則レベルの適応整合性,出力類似性,メタモデル適合性といった3次元から文法適応品質を測定した。 その結果、3つのLCMは100%適応整合性と出力類似性を達成し、ルールベースのアプローチはDOTでは84.21%、Xcoreでは62.50%に留まった。 QVTo縦断的研究において、LLMベースのアプローチは、手作業による文法編集なしで3つの進化段階の学習適応を再利用することに成功し、ルールベースのアプローチでは、3つの遷移のうち2つの手作業による調整を必要とした。 しかし, 大規模文法(EAST-ADL, 297ルール)では, LLMの適応整合性は90%以下であった。 本研究は,LLMに基づく複雑な文法シナリオ処理の利点を示すとともに,大規模文法適応の限界を明らかにする。

関連論文リスト

• Exploiting the English Grammar Profile for L2 grammatical analysis with LLMs [3.027026792589421]
  英語文法プロファイル(英語: English Grammar Profile, EGP)は、共通ヨーロッパ参照フレームワーク(CEFR)の習熟度にマッピングされた文法構成の分類法である。 本稿では,EGPを利用して学習者の文法的構成を検知し,それを成功あるいは失敗と分類する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-17T22:06:00Z)
• Understanding Robustness of Model Editing in Code LLMs: An Empirical Study [1.5624785508022727]
  本稿では,5つの最先端モデル編集手法の体系的研究を行う。 これらの手法を3つの主要なオープンソースコードLLM、CodeLlama、CodeQwen1.5、DeepSeek-Coderに適用する。 インスタント編集はモデル性能を常に劣化させ、構文的妥当性は86ポイントまで低下し、機能的正しさは最高のパフォーマンス設定でも45ポイントまで低下する。
  論文  参考訳（メタデータ） (2025-11-05T04:58:13Z)
• Natural Context Drift Undermines the Natural Language Understanding of Large Language Models [17.3648708521395]
  そこで本研究では,現代QAベンチマークから自然に進化し,人間によって編集された読解路の変種を計算するためのフレームワークを提案する。 このフレームワークを用いて、6つのQAデータセットと8つの大規模言語モデルを公開トレーニングデータで評価する。 実験の結果、読み出し路が事前訓練中に遭遇したバージョンから自然に分岐するにつれて、LLMの性能は低下することがわかった。
  論文  参考訳（メタデータ） (2025-09-01T03:32:50Z)
• SUTA-LM: Bridging Test-Time Adaptation and Language Model Rescoring for Robust ASR [58.31068047426522]
  テスト時間適応(TTA)は、推論中にモデルを調整することで緩和することを目的としている。 最近の研究は、ビーム探索再構成や生成誤り訂正といった手法を用いて、TTAと外部言語モデルの組み合わせについて検討している。 本稿では,SUTAの簡易かつ効果的な拡張であるSUTA-LMを提案する。 18種類のASRデータセットの実験により、SUTA-LMは幅広い領域で堅牢な結果が得られることが示された。
  論文  参考訳（メタデータ） (2025-06-10T02:50:20Z)
• Generative Adapter: Contextualizing Language Models in Parameters with A Single Forward Pass [109.34230156454574]
  大規模言語モデル(LM)は一般的に、新しい文脈におけるパフォーマンスを改善するために適応される。 微調整によってトレーニングコストが大幅に増加し、推論オーバーヘッドが増加する。 我々は、新しいコンテキストを低ランクLMアダプタに直接マッピングする効率的で効率的な適応手法である$GenerativeAdapter$を紹介した。
  論文  参考訳（メタデータ） (2024-11-08T00:42:47Z)
• Repetition Improves Language Model Embeddings [86.71985212601258]
  「echo Embeddings」は、自動回帰言語モデルをアーキテクチャの変更や微調整を必要とせず、強力なテキスト埋め込みモデルに変換する。 我々のゼロショット埋め込みは、マスク付き言語モデリングトレーニングを施した双方向変換LMで得られたものとほぼ一致します。
  論文  参考訳（メタデータ） (2024-02-23T17:25:10Z)
• Unsupervised Calibration through Prior Adaptation for Text Classification using Large Language Models [37.39843935632105]
  ラベル付きサンプルを必要とせずにテキスト分類タスクを実行するために,先行クラス分布に適応する手法を提案する。 その結果,これらの手法は,プロンプト内の訓練ショット数が異なる場合,適応しないモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-07-13T12:11:36Z)
• Document-Level Machine Translation with Large Language Models [91.03359121149595]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクに対して、一貫性、凝集性、関連性、流動性のある回答を生成することができる。 本稿では,LLMの談話モデルにおける能力について詳細に評価する。
  論文  参考訳（メタデータ） (2023-04-05T03:49:06Z)
• Bidirectional Language Models Are Also Few-shot Learners [54.37445173284831]
  SAP(Sequential Autoregressive Prompting)は,双方向モデルの高速化を実現する技術である。 SAPは質問応答と要約に有効であることを示す。 この結果から,より広範な言語モデルの創発的特性として,プロンプトに基づく学習が証明された。
  論文  参考訳（メタデータ） (2022-09-29T01:35:57Z)
• Quantifying Adaptability in Pre-trained Language Models with 500 Tasks [60.0364822929442]
  本稿では,新しいベンチマークであるTaskBench500を用いて,LM適応性の特徴と限界に関する大規模な実証的研究を行う。 我々は適応性の3つの側面を評価し、適応手順が小さなデータセットを記憶する能力において劇的に異なることを発見した。 実験の結果、新しいタスクへの適応性、例えば新しい例への一般化は体系的に記述され、理解されることがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:00:25Z)

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。