論文の概要: Model-Driven Requirements Configuration with Three-Valued Uncertainty Scoring
- arxiv url: http://arxiv.org/abs/2607.26220v1
- Date: Tue, 28 Jul 2026 19:49:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.461193
- Title: Model-Driven Requirements Configuration with Three-Valued Uncertainty Scoring
- Title（参考訳）: 3値不確かさスコーリングによるモデル駆動要求設定
- Abstract要約: 大規模言語モデル(LLM)は、自動要求の推論に自然言語の柔軟性を提供する。
LLMは構造的に無効な要件と論理的不整合を生成し、正式な正当性保証を欠いている。
本稿では,要求のオーサリングと管理のためのオブジェクト指向手法を運用する,ニューロシンボリックなマルチエージェントアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.4644923443649425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: Large Language Models (LLMs) offer natural-language flexibility for automated requirements elicitation but frequently generate structurally invalid requirements and logical inconsistencies, lacking formal correctness guarantees. Objectives: This study aims to eliminate logical inconsistencies and enforce structural conformance in LLM-generated requirements while quantifying the LLM's pre-validation decision uncertainty within a formal domain model. Methods: We present a neuro-symbolic multi-agent architecture that operationalizes the Object-Oriented Method for Requirements Authoring and Management (OOMRAM) lattice. The LLM acts as a non-deterministic heuristic for lattice traversal, while a deterministic symbolic validator enforces all structural constraints. We introduce a three-valued (T, I, F) -- Truth, Indeterminacy, Falsity -- framework to classify and score the LLM's requirement decisions before and after validation. Results: Evaluated across 37 natural-language project visions in eleven application families, the system completely eliminated structural inconsistencies in 35 out of 37 cases (94.6%), with the remaining two containing only 6 unresolved structural errors (0.39% of decisions) due to iteration limits. Three-valued analysis revealed that 24.7% of all decisions are indeterminate -- structurally valid but discretionary choices not explicitly mandated by the stakeholder. Conclusion: Offloading structural integrity to a deterministic symbolic layer successfully guarantees structural conformance, while the three-valued classification provides a formal way to measure neural uncertainty, facilitating safe LLM deployment in formal requirements engineering.
- Abstract（参考訳）: コンテキスト: 大規模言語モデル(LLM)は、自動化された要求の推論に対して自然言語の柔軟性を提供するが、構造的に無効な要求や論理的不整合を頻繁に生成し、正式な正当性保証を欠いている。
目的: 本研究の目的は, 論理的不整合を排除し, 形式的ドメインモデル内でのLLMの事前検証決定の不確かさを定量化しつつ, LLM生成要求における構造的整合性を強制することである。
方法:我々は,OOMRAM(Object-Oriented Method for Requirements Authoring and Management)格子を運用する,ニューロシンボリックなマルチエージェントアーキテクチャを提案する。
LLMは格子トラバーサルの非決定論的ヒューリスティックとして機能し、決定論的記号検証器は全ての構造的制約を強制する。
検証前後のLCMの要件決定を分類・評価するための3つの評価(T, I, F) -- 真実,不決定性,Falsity -- フレームワークを導入します。
結果: 11のアプリケーションファミリーで37の自然言語プロジェクトビジョンで評価され、37のケースのうち35のケース(94.6%)で構造上の不整合を完全に排除した。
3つの評価分析の結果、すべての決定の24.7%が不確定であり、構造的に妥当だが、利害関係者が明示的に委任していないことが判明した。
結論: 決定論的シンボリック層に構造的整合性をオフロードすることは、構造的整合性を保証する。
関連論文リスト
- CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。
本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。
実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文 参考訳（メタデータ） (2026-08-12T04:27:45Z) - Neuro-Symbolic Agents for Hallucination-Free Requirements Reuse [0.0]
本稿では,要求の再利用をモデル駆動型励磁プロセスとして再概念化する,ニューロシンボリックなマルチエージェントシステムを提案する。
本システムは,100%要件カバレッジと制約違反率を0.2%で達成する。
論文 参考訳（メタデータ） (2026-05-02T18:16:04Z) - Task-Awareness Improves LLM Generations and Uncertainty [48.857040212979484]
ベイズ最適応答は、ビームサーチのような標準的な復号法より一貫して優れている。
我々の決定論的なフレームワークは、潜在応答構造を持つあらゆる問題に適用できる。
論文 参考訳（メタデータ） (2026-01-29T10:16:23Z) - Beyond Memorization: Testing LLM Reasoning on Unseen Theory of Computation Tasks [8.210112631285666]
大規模言語モデル(LLM)は、形式的な言語タスクにおいて強力なパフォーマンスを示している。
正規言語を用いた決定論的有限オートマトン (DFA) 構築のためのベンチマークを導入する。
モデルが実際の質問に対して完璧に精度を達成し、タスクに対して84-90%を達成できることを示すが、その精度は目に見えない問題に対して急激に低下する。
論文 参考訳（メタデータ） (2026-01-19T21:00:31Z) - Towards Comprehensive Stage-wise Benchmarking of Large Language Models in Fact-Checking [64.97768177044355]
大規模言語モデル(LLM)は、現実のファクトチェックシステムにますます多くデプロイされている。
FactArenaは、完全に自動化されたアリーナスタイルの評価フレームワークである。
本研究では,静的クレーム検証精度とエンドツーエンドのファクトチェック能力の相違点を明らかにした。
論文 参考訳（メタデータ） (2026-01-06T02:51:56Z) - Structured Decomposition for LLM Reasoning: Cross-Domain Validation and Semantic Web Integration [0.0]
ルールベースの推論は、決定が監査可能で正当化可能な領域で発生します。
このような入力にルールを適用するには、解釈の柔軟性と形式的な保証の両方が必要である。
本稿では,これらの強みを組み合わせた統合パターンを提案する。
論文 参考訳（メタデータ） (2026-01-04T17:19:20Z) - Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。
本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。
我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
論文 参考訳（メタデータ） (2025-11-11T21:50:44Z) - ReForm: Reflective Autoformalization with Prospective Bounded Sequence Optimization [73.0780809974414]
本稿では,意味的整合性評価を自己形式化プロセスに統合する反射的自己形式化手法を提案する。
これにより、モデルが形式的なステートメントを反復的に生成し、セマンティックな忠実さを評価し、自己修正された特定エラーを発生させることができる。
実験の結果、ReFormは最強のベースラインに対して平均22.6ポイントの改善を達成した。
論文 参考訳（メタデータ） (2025-10-28T16:22:54Z) - Grammars of Formal Uncertainty: When to Trust LLMs in Automated Reasoning Tasks [12.436681393835626]
大きな言語モデル(LLM)は、正式な仕様を生成することで自動推論の民主化を約束する。
LLM出力をモデル化するための確率論的文脈自由文法(PCFG)フレームワークを導入する。
最後に、これらの信号の軽量な融合により、選択的な検証が可能となり、最小の棄権でエラーを劇的に削減する(14100%)。
論文 参考訳（メタデータ） (2025-05-26T14:34:04Z) - Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。
本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。
この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文 参考訳（メタデータ） (2024-11-03T17:32:00Z) - Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。
本稿では,LLMのための不確実性分解フレームワークについて述べる。
提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
論文 参考訳（メタデータ） (2023-11-15T05:58:35Z)
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。