論文の概要: Structural Validation of LLM-Generated Microservice Decompositions Using Source-Code Dependencies

• arxiv url: http://arxiv.org/abs/2607.28331v1
• Date: Thu, 30 Jul 2026 15:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.617625
• Title: Structural Validation of LLM-Generated Microservice Decompositions Using Source-Code Dependencies
• Title（参考訳）: ソースコード依存性を利用したLCM生成マイクロサービス分解の構造検証
• Abstract要約: モノリシックシステムをプロンプトに分解することは、ソフトウェアモダナイゼーションにおける重要な活動である。 本稿では,PetClinic および Bookstore システムにおいて OpenAI o3 が生成するマイクロサービス分解の構造的密着性を評価する。
• 参考スコア（独自算出の注目度）: 0.2435875827602373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decomposing monolithic systems into microservices is a key activity in software modernization. Although Large Language Models (LLMs) can generate semantically plausible decompositions from textual requirements, it remains unclear whether these proposals preserve the structural dependencies implemented in the source code. This paper evaluates the structural adherence of microservice decompositions generated by OpenAI o3 for the PetClinic and Bookstore systems. We propose an automated validation pipeline based on static dependency analysis and compare zero-shot and few-shot prompting using dependency preservation (TPD) and dependency violation (TVD) metrics. A robustness analysis was conducted to control for differences in class-to-service mapping coverage. After normalization, both prompting strategies produced equivalent structural adherence, achieving TPD values of 68.0% (PetClinic) and 83.3% (Bookstore). The findings demonstrate that structural evaluations of LLM-generated decompositions should explicitly control for mapping coverage, as apparent differences between prompting strategies may otherwise reflect methodological bias rather than genuine architectural quality.
• Abstract（参考訳）: モノリシックシステムをマイクロサービスに分解することは、ソフトウェアモダナイゼーションにおける重要な活動である。 大規模言語モデル(LLM)はテキスト要求から意味論的に妥当な分解を生成することができるが、これらの提案がソースコードに実装された構造的依存関係を保持するかどうかは不明である。 本稿では,PetClinic および Bookstore システムにおいて OpenAI o3 が生成するマイクロサービス分解の構造的密着性を評価する。 本稿では,静的依存分析に基づく自動検証パイプラインを提案し,依存関係保存(TPD)と依存性違反(TVD)メトリクスを用いたゼロショットと少数ショットのプロンプトを比較した。 クラス間マッピングのカバレッジの違いを制御するためにロバストネス分析を行った。 正規化後、両方のプロンプト戦略は等価な構造的定着をもたらし、PTD値は68.0%(PetClinic)と83.3%(Bookstore)となった。 これらの結果から, LLM生成分解の構造的評価は, 実際の構造的品質よりも方法論的バイアスを反映している可能性が示唆された。

関連論文リスト

• An Evidence-First Multi-LLM Framework for Auditable Critical-Infrastructure Dependency Modeling [0.0]
  クリティカル・インフラクチャーの知識は異種、不完全、弱構造化の証拠に分散している。 異種インフラ文書からインフラストラクチャ知識ベース(IKB)とインフラストラクチャ依存グラフ(IDG)を構築するためのエビデンスファーストのマルチLLMフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-11T02:33:13Z)
• Are LLMs Ready for Anti-Pattern Detection in Microservice Architectures? [4.339839287869652]
  マイクロサービスシステムは、保守性、進化性、運用品質を妨げるアーキテクチャアンチパターン(AP)を繰り返す傾向があります。 本稿では,大規模言語モデル(LLM)がマイクロサービスアーキテクチャにおけるアーキテクチャアンチパターン検出をサポートする準備が整っているかを検討する。
  論文  参考訳（メタデータ） (2026-06-25T12:03:24Z)
• Empirical Study for Structured Output Control in LLMs for Software Engineering [13.096361151631427]
  期待されるフォーマットに反する意味論的に正しい出力は、システムの観点から、間違った答えと区別できないものである。 本報告では,4つのSEタスクにまたがる構造的信頼性の体系的評価を行う。 LLM駆動誤差における構造的忠実度と意味的正しさを両立させるアプローチの必要性を強調した。
  論文  参考訳（メタデータ） (2026-06-08T12:13:58Z)
• Revisiting Semantic Role Labeling: Efficient Structured Inference with Dependency-Informed Analysis [3.5111161561666084]
  我々はSRLモデリングを再考し、推論を10倍速くし、明示的な述語論構造を保ちつつ、拡張エンコーダベースのフレームワークを導入する。 BERTベースのモデルでは、同じ予測性能が得られ、RoBERTaとDeBERTaは、同じフレームワーク内のF1パフォーマンスをさらに改善する。
  論文  参考訳（メタデータ） (2026-05-04T11:57:58Z)
• A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
  Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。 我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。 PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
  論文  参考訳（メタデータ） (2025-11-19T19:18:28Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• StructFlowBench: A Structured Flow Benchmark for Multi-turn Instruction Following [13.077503628759446]
  マルチターン命令追従能力は、現実世界のアプリケーションにおいて、大規模言語モデル(LLM)のコア能力を構成する。 既存の評価ベンチマークは、マルチターンとシングルターンの相互作用を区別するダイアログ間の重要な構造的依存関係を見落としている。 構造フローモデリングを用いたマルチターンインストラクションであるStructFlowBenchを提案する。
  論文  参考訳（メタデータ） (2025-02-20T12:22:18Z)
• StructTest: Benchmarking LLMs' Reasoning through Compositional Structured Outputs [78.84060166851805]
  StructTestは、大規模な言語モデル(LLM)を合成命令に従って構造化出力を生成する能力に基づいて評価する、新しいベンチマークである。 評価はルールベースの評価器を用いて決定的に行われ、新しいタスクやデータセットに容易に拡張できる。 StructTestは、Deepseek-V3/R1やGPT-4oといったトップパフォーマンスモデルでも、依然として難しいままです。
  論文  参考訳（メタデータ） (2024-12-23T22:08:40Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)

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。