論文の概要: Improving the Understandability of Conceptual Models via Abstract Notation Engineering

• arxiv url: http://arxiv.org/abs/2607.29552v1
• Date: Fri, 31 Jul 2026 15:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.785896
• Title: Improving the Understandability of Conceptual Models via Abstract Notation Engineering
• Title（参考訳）: 抽象表記工学による概念モデルの理解性向上
• Authors: Amine Abbad-Andaloussi, Daniel Jeppe Schütt, Kasper Solhøj Jørgensen, Tobias van Deurs Lundsgaard, Hugo A. López,
• Abstract要約: 低レベルで意味論的に透過的な構成を置き換える言語に依存しない手法として,抽象表記工学を提案する。 一般的なワークフローパターンが精巧な低レベル設定を必要とする場合、動的条件応答(DCR)グラフのためにインスタンス化します。 実証検証の結果,DeCleaRは標準的なDCRグラフよりも経験的品質,実用的品質,ユーザの嗜好を向上することがわかった。
• 参考スコア（独自算出の注目度）: 1.513674779059522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conceptual modeling supports the design, analysis, and communication of the properties of complex systems, yet conceptual models can be difficult to understand when domain-level abstractions must be encoded through low-level constructs required mainly for semantic conformity. Prior work has mainly improved how existing individual constructs are visually represented. We shift the focus from individual constructs to recurring configurations of constructs, and propose abstract notation engineering as a language-agnostic method for replacing such configurations with higher-level, semantically transparent constructs. The method comprises pattern identification, pattern formalization, visual notation design, and empirical validation. We instantiate it for Dynamic Condition Response (DCR) graphs, where common workflow patterns require elaborate low-level configurations. The resulting extension, DeCleaR, replaces such configurations with compact pattern-based abstractions. The results of our empirical validation show that DeCleaR improves perceived empirical quality, pragmatic quality, and user preference over standard DCR graphs.
• Abstract（参考訳）: 概念モデリングは、複雑なシステムの特性の設計、解析、通信をサポートするが、概念モデルは、主に意味的整合性のために必要とされる低レベルの構造を通してドメインレベルの抽象化がエンコードされる必要がある場合を理解することは困難である。 これまでの研究は主に、既存の個々の構造が視覚的に表現される方法を改善してきた。 個々の構成からコンストラクトの繰り返し構成へ焦点を移し、そのような構成を高レベルで意味論的に透過的な構成に置き換える言語に依存しない手法として抽象表記工学を提案する。 パターン識別、パターン定式化、視覚記法設計、実証検証を含む。 一般的なワークフローパターンが精巧な低レベル設定を必要とする場合、動的条件応答(DCR)グラフのためにインスタンス化します。 結果として生成された拡張であるDeCleaRは、そのような構成をコンパクトなパターンベースの抽象化で置き換える。 実証検証の結果,DeCleaRは標準的なDCRグラフよりも経験的品質,実用的品質,ユーザの嗜好を向上することがわかった。

関連論文リスト

• Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation [84.5255199507027]
  Agentic Designerは、構造を意識した内部レイアウト生成を反復的かつ制約的に検証された決定プロセスとして定式化する、プログレッシブなフレームワークである。 提案、検証、合成、調整のモジュールステージにレイアウトを分解することで、フレームワークは3つの特殊エージェント、ジェネレータ、評価器、精錬器を協調する。 この機構は、各配置がコミットされる前に段階的に幾何的検証と補正を行い、エラーの蓄積を防止する。
  論文  参考訳（メタデータ） (2026-07-23T02:46:11Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• Communication-Inspired Tokenization for Structured Image Representations [74.17163003465537]
  COMiT(Communication inspired Tokenization)は、構造化された視覚トークンシーケンスを学習するためのフレームワークである。 セマンティックアライメントが基盤となる一方で、解釈可能なオブジェクト中心のトークン構造を誘導するためには、注意的なシーケンシャルトークン化が重要であることを示す。
  論文  参考訳（メタデータ） (2026-02-24T09:53:50Z)
• Multi-Agent Procedural Graph Extraction with Structural and Logical Refinement [66.51979814832332]
  モデル式は、専用の構造的および論理的洗練を伴う多ラウンド推論プロセスとして手続きグラフ抽出を定式化する。 実験により、モデルが強いベースラインに対して構造的正当性と論理的整合性の両方において大幅に改善されることが示されている。
  論文  参考訳（メタデータ） (2026-01-27T04:00:48Z)
• Structure-Aware Decoding Mechanisms for Complex Entity Extraction with Large-Scale Language Models [8.15127799301814]
  本稿では,大規模言語モデルに基づく構造認識復号法を提案する。 ネストおよび重複するエンティティ抽出タスクにおいて、意味的整合性と構造的整合性の両方を維持することの難しさに対処する。 ACE 2005データセットで実施された実験では、精度、精度、リコール、F1-Scoreが大幅に改善された。
  論文  参考訳（メタデータ） (2025-12-16T00:40:06Z)
• Modeling Hierarchical Spaces: A Review and Unified Framework for Surrogate-Based Architecture Design [0.32622301272834514]
  本稿では、構造化された入力空間に関する文献をレビューし、既存のアプローチを一般化する統一的なフレームワークを提案する。 変数は、その値が他の命令された変数の存在を支配すればメタとして記述され、条件付きおよび階層構造をモデル化できる。 我々のフレームワークは階層的距離とカーネルを定義し、階層的ドメイン上の代理モデリングと最適化を可能にする。
  論文  参考訳（メタデータ） (2025-06-27T20:38:57Z)
• LLM-based Hierarchical Concept Decomposition for Interpretable Fine-Grained Image Classification [5.8754760054410955]
  構造化概念解析によるモデル解釈可能性の向上を目的とした新しいフレームワークである textttHi-CoDecomposition を紹介する。 われわれのアプローチは、最先端のモデルの性能だけでなく、意思決定プロセスに対する明確な洞察を提供することで透明性を向上する。
  論文  参考訳（メタデータ） (2024-05-29T00:36:56Z)
• Neural Constraint Satisfaction: Hierarchical Abstraction for Combinatorial Generalization in Object Rearrangement [75.9289887536165]
  基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。 本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。 この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
  論文  参考訳（メタデータ） (2023-03-20T18:19:36Z)
• 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)
• Structure by Architecture: Structured Representations without Regularization [31.75200752252397]
  生成モデルなどの下流タスクにオートエンコーダを用いた自己教師型表現学習の課題について検討する。 我々はアグレッシブな正規化を必要とせずに構造化表現を学習できる新しいオートエンコーダアーキテクチャを設計する。 これらのモデルが、生成、絡み合い、外挿を含む様々な下流タスクの結果を改善する表現をいかに学習するかを実証する。
  論文  参考訳（メタデータ） (2020-06-14T04:37:08Z)

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。