論文の概要: How Requirements Quality Makes (or Breaks) Traceability Link Recovery

• arxiv url: http://arxiv.org/abs/2606.11834v1
• Date: Wed, 10 Jun 2026 09:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 14:33:50.580208
• Title: How Requirements Quality Makes (or Breaks) Traceability Link Recovery
• Title（参考訳）: 要求品質がトレーサビリティリンクを回復させる(または壊す)方法
• Authors: Tobias Hey, Julian Frattini,
• Abstract要約: 要求品質の欠陥は注釈付けなどのその後の活動に影響を与えるが、その証拠は乏しい。 結果から,一部の品質欠陥がパフォーマンスに悪影響を及ぼす一方で,実際にはパフォーマンスに利益があることがわかった。 その結果、パフォーマンスを最適化するアプローチの選択は、データセットの品質に依存します。
• 参考スコア（独自算出の注目度）: 1.729245173054735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traceability information between requirements and source code greatly benefits the maintenance of a software system. Since manually establishing trace links is cumbersome and error-prone, previous research explored automated traceability link recovery (TLR) approaches to support this task. However, quality defects in requirements impact subsequent activities such as TLR, yet evidence about this remains scarce. Our objective is to contribute empirical evidence on this impact. At the same time, we aim to understand how the performance of TLR approaches varies given these quality defects. To this end, we annotated 28 types of quality defect in 189 use case descriptions from two datasets. Then, we executed five distinct TLR approaches on the dataset and measured their performance in recovering trace links. Finally, we performed statistical tests to quantify the defects' effect strength on this performance. Our results show that some quality defects harm TLR performance, e.g., sentences that do not start with noun phrases, while others actually benefit performance, e.g., use cases that include implementation details. Moreover, different types of approaches respond differently to these defects. As a consequence, the performance-optimizing choice of a TLR approach depends on the quality of the dataset.
• Abstract（参考訳）: 要件とソースコードの間のトレーサビリティ情報は、ソフトウェアシステムのメンテナンスに大いに役立ちます。 トレーサビリティリンクを手動で確立することは困難でエラーが発生しやすいため、従来の研究では、このタスクをサポートするための自動トレーサビリティリンクリカバリ(TLR)アプローチについて検討していた。 しかし、要求品質の欠陥はTLRなどのその後の活動に影響を及ぼすが、その証拠は乏しい。 私たちの目標は、この影響に関する実証的な証拠を提供することです。 同時に、これらの品質欠陥から、TLRアプローチの性能がどう変化するかを理解することを目的としている。 この目的のために、2つのデータセットから189のユースケース記述に28種類の品質欠陥を注釈付けした。 そして、データセット上で5つの異なるTLRアプローチを実行し、トレースリンクを復元する際の性能を測定した。 最後に, この性能に対する欠陥の影響を定量化するために, 統計的試験を行った。 以上の結果から,一部の品質欠陥は,名詞句から開始しない文,実装の詳細を含むユースケースなど,TLRのパフォーマンスを損なうもの,といった結果が得られた。 さらに、これらの欠陥に対して異なるタイプのアプローチが反応する。 結果として、TLRアプローチのパフォーマンス最適化の選択は、データセットの品質に依存する。

関連論文リスト

• Disentangled Double Machine Learning for Accurate Causal Effect Estimation [80.07136847623498]
  共起バイアスは観測データから因果効果を推定する上で重要な課題である。 二重機械学習(Double Machine Learning, DML)は、処理と結果ニュアンス関数を推定することによってこの問題に対処する。 DMLは高次元または有限サンプルのシナリオにおいてバイアス付きおよび不安定な推定をしばしば生成する。 本稿では,2つの重要な戦略を統合する新しいアルゴリズムであるDistangled Double Machine Learning (DDML)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T01:40:43Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• ReSURE: Regularizing Supervision Unreliability for Multi-turn Dialogue Fine-tuning [72.05731026796335]
  マルチターン対話システムは、低品質のデータに晒された場合、しばしば劣化した性能に悩まされる。 本稿では,適応学習手法であるReSUREを提案する。 単一ソースと混合品質のデータセットの実験では、安定性と応答品質が改善された。
  論文  参考訳（メタデータ） (2025-08-27T15:54:01Z)
• Consensus Entropy: Harnessing Multi-VLM Agreement for Self-Verifying and Self-Improving OCR [30.240680920617447]
  我々は,OCRの不確かさを定量化するトレーニング不要なポスト推論手法であるConsensus Entropy (CE)を紹介した。 問題のあるサンプルを効果的に識別し、最良の出力を選択し、モデル強度を組み合わせる軽量なマルチモデルフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-04-15T11:51:18Z)
• Corrupted but Not Broken: Understanding and Mitigating the Negative Impacts of Corrupted Data in Visual Instruction Tuning [92.16191092329765]
  マルチモーダル大言語モデル(MLLM)における劣化データの影響について検討する。 劣化したデータはモデル性能を劣化させるが、そのような悪影響は大部分が可逆的である。 破損したデータの影響を緩和する既存の戦略をはるかに上回る汚職・汚職訓練パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-02-18T08:28:29Z)
• Progressive Alignment with VLM-LLM Feature to Augment Defect Classification for the ASE Dataset [7.1083241462091165]
  従来の欠陥分類アプローチは2つの障壁に直面している。 不十分なトレーニングデータと不安定なデータ品質。 画像上に記録されたリッチなデータ記述を含む,欠陥分類のための特別なデータセットを提案するが,欠陥特徴を直接学習するのは困難である。
  論文  参考訳（メタデータ） (2024-04-08T04:17:27Z)
• Detrimental Contexts in Open-Domain Question Answering [9.059854023578508]
  質問応答に使用される検索テーマのアーキテクチャに対して,パスが有害な影響を及ぼすかを分析する。 この結果から,2つの人気のあるQAデータセットにおいて,有害経路をフィルタリングすることにより,モデル精度を10%向上できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-27T11:45:16Z)
• Contrastive Error Attribution for Finetuned Language Models [35.80256755393739]
  ノイズと誤記のデータは、自然言語生成(NLG)タスクにおける幻覚と不誠実なアウトプットの中核的な原因である。 望ましくないアウトプットにつながる低品質のトレーニングインスタンスを特定し、削除するフレームワークを導入します。 本研究では、勾配に基づく影響尺度のような既存の誤差追跡手法は、忠実度誤差を検出するために確実に機能しないことを示す。
  論文  参考訳（メタデータ） (2022-12-21T02:28:07Z)
• DARTS-: Robustly Stepping out of Performance Collapse Without Indicators [74.21019737169675]
  異なるアーキテクチャ検索は、長期にわたるパフォーマンスの不安定さに悩まされる。 ヘッセン固有値のような指標は、性能が崩壊する前に探索を止める信号として提案される。 本稿では,崩壊を解決するために,より微妙で直接的なアプローチをとる。
  論文  参考訳（メタデータ） (2020-09-02T12:54:13Z)

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。