論文の概要: Towards Automated Domain Model Extraction from Source Code using Heuristics and Open-Source LLMs

• arxiv url: http://arxiv.org/abs/2608.12228v1
• Date: Wed, 12 Aug 2026 16:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.63541
• Title: Towards Automated Domain Model Extraction from Source Code using Heuristics and Open-Source LLMs
• Title（参考訳）: ヒューリスティックスとオープンソースLLMを用いたソースコードからのドメインモデルの自動抽出に向けて
• Abstract要約: 大規模言語モデル(LLM)は、コード理解の強力な能力を示している。 本稿では,軽量でローカルにデプロイ可能なLCMを用いて,ソースコードからドメインモデルを抽出する手法を提案する。
• 参考スコア（独自算出の注目度）: 37.04281504835492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have recently shown strong capabilities for code understanding, making them promising for reverse engineering domain models from source code. However, state-ofthe- art proprietary LLMs cannot be used in many industrial contexts due to privacy and confidentiality constraints, while compact open-source LLMs that can run locally are limited by their context window and cannot process large code bases directly. In this paper, we propose an automated approach to extract domain models from source code using lightweight, locally deployable LLMs. Our method combines structural and semantic heuristics with iterative LLM-based reasoning to overcome context limitations. By progressively analyzing ranked subsets of code elements, the approach identifies domain concepts and refines domain boundaries without requiring full-system context. Our approach achieves high F1-scores on a dataset of ten projects, each comprising a curated domain model and its corresponding implementation, while remaining fully executable on locally deployable LLMs. This makes it particularly suitable for reverse engineering tasks in privacy-sensitive industrial environments.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、コード理解の強力な能力を示しており、ソースコードからリバースエンジニアリングドメインモデルを約束している。 しかし、最先端のプロプライエタリなLLMは、プライバシーと機密性の制約のために多くの産業的文脈では使用できないが、ローカルで実行できるコンパクトなオープンソースLLMは、コンテキストウィンドウによって制限され、大きなコードベースを直接処理することはできない。 本稿では,軽量でローカルにデプロイ可能なLCMを用いて,ソースコードからドメインモデルを自動的に抽出する手法を提案する。 本手法は,構造的および意味的ヒューリスティックスと反復的LLMに基づく推論を組み合わせることで,文脈制約を克服する。 コード要素のランク付けされたサブセットを徐々に分析することにより、アプローチはドメインの概念を特定し、完全なシステムコンテキストを必要とせずにドメイン境界を洗練します。 提案手法は,10のプロジェクトを対象としたF1スコアを高い精度で達成し,それぞれがキュレートされたドメインモデルとその実装で構成され,かつ,ローカルにデプロイ可能なLCM上で完全に実行可能である。 これにより、プライバシーに敏感な産業環境におけるリバースエンジニアリングタスクに特に適している。

関連論文リスト

• Automated Customization of LLMs for Enterprise Code Repositories Using Semantic Scopes [3.2942861117920916]
  本稿では,コード内のセマンティックスコープに基づいたLLM自動カスタマイズ手法を提案する。 リポジトリのデータを取り込み、セマンティックスコープとトレーニングデータペアを定式化するメカニズムは、モデルがリポジトリ固有の基盤となるパターンを学習するのに役立ちます。 適度にカスタマイズされたモデルのコード補完は、はるかに大きなキャパシティを持つ未カスタマイズモデルのコード補完よりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-02-05T15:38:54Z)
• A Roadmap for Tamed Interactions with Large Language Models [5.133046277847902]
  大規模言語モデル(LLM)によって駆動されるAI駆動ソフトウェアが誕生するのを私たちは目撃しています。 これらのLSMの応用は印象的であり、数え切れないほどに思えるが、その堅牢性は採用を妨げる。 LSLでは, LLM出力の制御, 相互作用の構造の強制, 検証, 検証, 説明可能性の両面を統合することで, 上記の限界に対処することを目指している。
  論文  参考訳（メタデータ） (2025-10-28T13:46:07Z)
• Evaluating Large Language Models for Functional and Maintainable Code in Industrial Settings: A Case Study at ASML [3.5515013986822073]
  本研究は,Aのレベル管理部門と共同で実施した事例研究である。 閉鎖的,高度に専門化されたソフトウェア環境において,機能的,保守性のあるコードを生成する上でのLLMの性能について検討する。 その結果、プロンプト技術とモデルサイズが出力品質に重大な影響を与えることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-15T19:39:26Z)
• VFLAIR-LLM: A Comprehensive Framework and Benchmark for Split Learning of LLMs [8.920340856412087]
  VFLAIR-LLMは、大規模言語モデルのための軽量な分割学習フレームワークである。 LLM(SL-LLM)設定の各種スプリットラーニングにおける5つの攻撃と9つの防御のベンチマークを行った。
  論文  参考訳（メタデータ） (2025-08-05T05:20:33Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• Code Graph Model (CGM): A Graph-Integrated Large Language Model for Repository-Level Software Engineering Tasks [42.79558714652442]
  大きな言語モデル(LLM)は関数レベルのコード生成を約束しているが、リポジトリレベルのソフトウェアエンジニアリングタスクは依然として難しい。 本稿では,オープンソース LLM がエージェントベースアプローチを必要とせずに,リポジトリレベルのタスクを効果的に処理できるかどうかを検討する。 リポジトリコードグラフ構造をLLMのアテンション機構に統合するコードグラフモデル(CGM)を導入する。
  論文  参考訳（メタデータ） (2025-05-22T17:00:55Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• Open-domain Implicit Format Control for Large Language Model Generation [52.83173553689678]
  大規模言語モデル(LLM)における制御生成のための新しいフレームワークを提案する。 本研究では、LLMがオープンドメイン、ワンショット制約に従う能力と、サンプル回答の形式を再現する能力について検討する。 また、出力品質を劣化させることなく、LLMのオープンドメインフォーマット制御を強化する教師付き微調整のためのデータセット収集手法を開発した。
  論文  参考訳（メタデータ） (2024-08-08T11:51:45Z)
• Federated Domain-Specific Knowledge Transfer on Large Language Models Using Synthetic Data [53.70870879858533]
  フェデレートされたドメイン固有の知識伝達フレームワークを紹介する。 クライアントのデータプライバシを保護しながら、LLMからSLMへのドメイン固有の知識転送を可能にする。 提案されたFDKTフレームワークは、プライバシー予算が10未満のSLMのタスクパフォーマンスを約5%改善する。
  論文  参考訳（メタデータ） (2024-05-23T06:14:35Z)
• Knowledge Fusion of Large Language Models [73.28202188100646]
  本稿では,大規模言語モデル(LLM)における知識融合の概念を紹介する。 我々は、それらの集合的知識と独特な強みを外部化し、それによってターゲットモデルの能力が、どのソースLLMよりも高められるようにします。 この結果から,LLMの融合により,推論やコモンセンス,コード生成など,対象モデルの性能が向上することが確認された。
  論文  参考訳（メタデータ） (2024-01-19T05:02:46Z)

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。