論文の概要: Keeping Models and Code in Sync: Roundtrip Engineering for Tactical Domain-Driven Design

• arxiv url: http://arxiv.org/abs/2608.05612v1
• Date: Thu, 06 Aug 2026 05:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.823236
• Title: Keeping Models and Code in Sync: Roundtrip Engineering for Tactical Domain-Driven Design
• Title（参考訳）: モデルとコードを同期に保つ: 戦術的ドメイン駆動設計のためのラウンドトリップエンジニアリング
• Abstract要約: ドメイン駆動設計(Domain-Driven Design)は、複雑なビジネスロジックの共通語彙を提供するが、その語彙はモデルとコードが互いに一致する限りは有用である。 本稿では、Javaとそのドメインモデルを共有メタモデルを介して接続する、DDD用の双方向同期ツールチェーンであるJDomInOについて述べる。
• 参考スコア（独自算出の注目度）: 4.650319539834963
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain-Driven Design gives teams a shared vocabulary for complex business logic, but that vocabulary only stays useful as long as the model and the code agree with each other. In practice, they drift apart: code changes outpace the model, or model revisions never make it into the codebase. This paper presents JDomInO, a bidirectional synchronization toolchain for tactical DDD that keeps a Java codebase and its domain model connected through a shared metamodel, with the goal of keeping the two in sync as the system evolves. JDomInO generates Java code structure deterministically from a domain model (forward path) and reconstructs a domain model from existing Java code (reverse path). The forward path has been fully validated on a Hotel Management scenario covering all 12 building block types in the metamodel; the reverse path's mapping logic has passed unit testing, with end-to-end validation underway. We also outline how the structured domain model produced by JDomInO could serve as a precision context layer for AI code assistants, helping them respect aggregate boundaries and DDD semantics that raw source code alone does not convey.
• Abstract（参考訳）: ドメイン駆動設計(Domain-Driven Design)は、複雑なビジネスロジックの共通語彙を提供するが、その語彙はモデルとコードが互いに一致する限りは有用である。 コードの変更がモデルを上回ったり、モデル修正がコードベースに反映されることは決してありません。 本稿では、Javaコードベースとそのドメインモデルを共有メタモデルを介して接続する戦術的DDDのための双方向同期ツールチェーンであるJDomInOについて述べる。 JDomInOは、ドメインモデル(前方パス)から決定的にJavaコード構造を生成し、既存のJavaコード(逆パス)からドメインモデルを再構築します。 フォワードパスは、メタモデル内の12のビルディングブロックタイプすべてをカバーするHotel Managementシナリオで完全に検証されている。 また、JDomInOが生成する構造化ドメインモデルは、AIコードアシスタントの精度の高いコンテキスト層として機能し、ソースコードだけでは伝えられない集約境界とDDDセマンティクスを尊重するのに役立つかを概説する。

関連論文リスト

• Automating Domain-Driven Design: Experience with a Prompting Framework [2.5501791028999583]
  ドメイン駆動設計(DDD)は複雑なソフトウェアシステムを設計するための強力な設計手法である。 本稿では、構造化された大規模言語モデル相互作用を通じてコアDDDアクティビティを自動化するプロンプトフレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T10:07:57Z)
• Theory of Code Space: Do Code Agents Understand Software Architecture? [0.0]
  コードエージェントは、分離されたタスクで優れているが、アーキテクチャの理解を必要とするマルチファイルソフトウェアエンジニアリングと苦労する。 エージェントがAI探索中に一貫性のあるアーキテクチャの信念を構築し、維持し、更新できるかどうかを評価するベンチマークである、コード空間の理論(ToCS)を紹介する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:17Z)
• AlloyInEcore: Embedding of First-Order Relational Logic into Meta-Object Facility for Automated Model Reasoning [4.732769742263469]
  AlloyInEcoreは静的セマンティクスでメタモデルを指定するツールである。 自動車分野における3つの産業ケーススタディで評価されている。
  論文  参考訳（メタデータ） (2024-03-05T04:49:21Z)
• Towards Summarizing Code Snippets Using Pre-Trained Transformers [20.982048349530483]
  この作業では、DLモデルをトレーニングしてコードスニペットを文書化するために必要なすべてのステップを取ります。 我々のモデルは84%の精度でコード要約を識別し、それらを文書化されたコード行にリンクすることができる。 これにより、ドキュメント化されたコードスニペットの大規模なデータセットを構築することが可能になった。
  論文  参考訳（メタデータ） (2024-02-01T11:39:19Z)
• DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
  大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。 しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか? 自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
  論文  参考訳（メタデータ） (2023-12-05T18:34:12Z)
• What's Left? Concept Grounding with Logic-Enhanced Foundation Models [76.74146485832125]
  本稿では,ドメインに依存しない一階述語論理型プログラムを用いて,ドメイン間の概念を基礎と推論するために学習する統一フレームワークを提案する。 LEFTは,2次元画像,3次元シーン,人間の動き,ロボット操作という4つの領域で,柔軟に概念を学習する。
  論文  参考訳（メタデータ） (2023-10-24T17:50:20Z)
• Coding by Design: GPT-4 empowers Agile Model Driven Development [0.03683202928838613]
  この研究は、アジャイルモデル駆動開発(MDD)アプローチを提供し、OpenAIのGPT-4を使ってコードの自動生成を強化する。 私たちの研究は、現行のMDDメソッドへの重要な貢献として"アジリティ"を強調しています。 最終的に、GPT-4を利用して、最後のレイヤはJavaとPythonの両方でコードを自動生成します。
  論文  参考訳（メタデータ） (2023-10-06T15:05:05Z)
• InCoder: A Generative Model for Code Infilling and Synthesis [88.46061996766348]
  InCoderは、プログラム合成(左から右への生成)と編集(埋め込み)が可能な統合生成モデルである。 InCoderは、許可されたコードの大きなコーパスからコードファイルを生成するように訓練されている。 私たちのモデルは、ゼロショットコードの埋め込みを直接実行できる最初の生成モデルです。
  論文  参考訳（メタデータ） (2022-04-12T16:25:26Z)
• UniXcoder: Unified Cross-Modal Pre-training for Code Representation [65.6846553962117]
  プログラミング言語のためのクロスモーダル事前学習モデルUniXcoderを提案する。 木の構造情報を全て保持するシーケンス構造でASTを変換する1対1のマッピング手法を提案する。 我々は,UniXcoderを9つのデータセット上で5つのコード関連タスクで評価する。
  論文  参考訳（メタデータ） (2022-03-08T04:48:07Z)
• Contrastive Learning for Source Code with Structural and Functional Properties [66.10710134948478]
  本稿では,ソースコードの特徴に基づいて事前学習に焦点を当てた,新たな自己教師型モデルBOOSTを提案する。 私たちは、機能的に等価なコードを生成する自動化された構造誘導型コード変換アルゴリズムを採用しています。 私たちは、対照的な学習目標を通じて、機能的に等価なコードをより近く、異なるコードに近づける方法で、モデルをトレーニングします。
  論文  参考訳（メタデータ） (2021-10-08T02:56:43Z)
• GraphCodeBERT: Pre-training Code Representations with Data Flow [97.00641522327699]
  本稿では,コード固有の構造を考慮したプログラミング言語の事前学習モデルであるGraphCodeBERTを提案する。 これは変数間の"where-the-value-comes-from"の関係をエンコードするコードのセマンティックレベルの構造です。 コード検索,クローン検出,コード翻訳,コード改良の4つのタスクにおいて,本モデルを評価する。
  論文  参考訳（メタデータ） (2020-09-17T15:25:56Z)

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。