論文の概要: UML Class Diagram Evaluation and Repair Strategies based on LLMs

• arxiv url: http://arxiv.org/abs/2608.28800v1
• Date: Fri, 28 Aug 2026 19:10:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:19:25.255632
• Title: UML Class Diagram Evaluation and Repair Strategies based on LLMs
• Title（参考訳）: LLMに基づくUMLクラス図の評価と修復方略
• Abstract要約: AI技術、特にLLMの開発により、ソフトウェアモデリングの新しい機会が出現した。 本研究は、いくつかの典型的なソフトウェアシステムケースの実験を行う。
• 参考スコア（独自算出の注目度）: 7.582062038207369
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: UML class diagrams are a crucial tool for defining the structure of software systems, but designing accurate and comprehensive class diagrams is a challenging task. Traditionally, creating UML models relies on the expertise and experience of professionals. However, with the development of AI technologies, particularly LLMs, new opportunities for software modeling have emerged. Despite this, there has been limited research on the application of LLMs in software modeling, especially in UML class diagram modeling. This study conducts experiments on several typical software system cases. Combining SDMetrics with expert manual review, this paper comprehensively evaluates the practical performance of mainstream LLMs in UML class diagram modeling from multiple dimensions, including size and completeness, relationship correctness, inheritance hierarchy, and design rule compliance. Focusing on typical defects in LLM-generated UML class diagrams, this study reveals that LLMs exhibit uncertainties analogous to human memory. Accordingly, three targeted repair strategies are proposed, including memory reinforcement, external knowledge injection, and detection-guided automated targeted repair. Experimental results obtained from the case studies indicate that (1) compared to expert-crafted class diagrams, LLM-generated UML class diagrams exhibit several issues, such as incomplete identification of key classes, confusion or omissions in relationships, insufficient or absent inheritance relationships, unused classes, and circular dependencies, and (2) after applying the repair methods, all the LLMs show varying degrees of improvement in addressing these issues. The average repair rate for key class identification reaches 85%, the coupling relationship repair rate is 46%, the inheritance relationship repair rate is 69%, while repair rates for unused classes and circular dependencies both reach 100%.
• Abstract（参考訳）: UMLクラス図はソフトウェアシステムの構造を定義する上で重要なツールですが、正確で包括的なクラス図を設計するのは難しい作業です。 従来、UMLモデルの作成は専門家の専門知識と経験に依存しています。 しかし、AI技術、特にLLMの開発により、ソフトウェアモデリングの新しい機会が生まれている。 それにもかかわらず、ソフトウェア・モデリング、特にUMLクラス・ダイアグラム・モデリングにおけるLLMの適用についての研究は限られている。 本研究は、いくつかの典型的なソフトウェアシステムケースの実験を行う。 本稿では,SDMetricsと専門家によるマニュアルレビューを組み合わせることで,UMLクラス図における主要なLLMの実用的性能を,サイズと完全性,関係の正しさ,継承階層,設計規則順守など多次元から総合的に評価する。 LLM生成UMLクラス図の典型的欠陥に着目し, LLMが人間の記憶に類似した不確実性を示すことを示す。 そこで, メモリ強化, 外部知識注入, 自動目標補修を含む3つの目標補修戦略を提案する。 ケーススタディから得られた実験結果は,(1)専門家が作成したクラス図と比較して,LLMが生成したUMLクラス図は,キークラスの不完全識別,関係の混乱や欠落,不足あるいは欠落した継承関係,未使用クラス,円形依存関係など,いくつかの問題を示し,(2)修復法を適用した上で,これらの問題に対処する上で様々な改善の度合いを示した。 鍵クラス識別の平均修復率は85%,結合関係修復率は46%,継承関係修復率は69%,未使用クラスと円形依存関係の修復率は100%であった。

関連論文リスト

• Large Language Models for Software Engineering Diagrams: A Systematic Review of UML and ER modelling [1.7587442088965224]
  大規模言語モデル(LLM)は図ベースのソフトウェアやデータモデリングにますます適用されています。 近年, ダイアグラムモデリングにおけるLCMの様々な応用について研究されているが, その有効性や限界については議論されていない。 この体系的な文献レビューは、2023年から2025年の間に出版された64の論文を分析した。
  論文  参考訳（メタデータ） (2026-07-28T06:41:32Z)
• OpenCompass: A Universal Evaluation Platform for Large Language Models [62.59671563145442]
  汎用大規模言語モデル (LLM) は, 技術の進歩において重要なリンクとなっている。 メインストリームベンチマークデータセットは、タスクタイプの多様性、一貫性のない評価基準、データと処理の断片化といった課題に直面している。 本稿では,ワンストップ,スケーラブル,高精度な汎用評価プラットフォームであるOpen LLMをオープンソースとして提案する。
  論文  参考訳（メタデータ） (2026-05-19T02:50:11Z)
• Beyond Grading Accuracy: Exploring Alignment of TAs and LLMs [1.529342790344802]
  本稿では,Unified Language (UML) クラス図のグレーディングにおけるオープンソースのLarge Language Models (LLMs) の可能性について検討する。 その結果, 基準あたりの精度は88.56%, ピアソン相関係数は0.78であり, 従来よりも大幅に向上した。
  論文  参考訳（メタデータ） (2026-03-17T10:40:35Z)
• Class Model Generation from Requirements using Large Language Models [5.685497917524985]
  大規模言語モデル(LLM)は、自然言語要求から自動的にクラス図を生成することができる。 本稿では,GPT-5,Claude Sonnet 4.0,Gemini 2.5 Flash Thinking,Llama-3.1-8-B-Instructなどの最先端LLMの能力について検討する。
  論文  参考訳（メタデータ） (2026-03-10T02:20:35Z)
• NOMAD: A Multi-Agent LLM System for UML Class Diagram Generation from Natural Language Requirements [20.080985332719383]
  大規模言語モデル(LLM)は、ソフトウェア工学においてますます活用されているが、図のような構造化されたアーティファクトを生成する能力はまだ未熟である。 この研究で我々は、認知にインスパイアされたモジュール型マルチエージェントフレームワークであるNOMADを紹介し、生成を一連の役割特化サブタスクに分解する。 各エージェントは、エンティティ抽出、関係分類、合成ダイアグラム、エンジニアのゴール指向推論プロセスのミラーリングなど、異なるモデリングアクティビティを処理します。
  論文  参考訳（メタデータ） (2025-11-27T12:36:25Z)
• Performance Law of Large Language Models [58.32539851241063]
  性能法則は、LLMアーキテクチャの選択と計算資源の効率的な割り当てを導くために用いられる。 性能法則は、LLMアーキテクチャの選択と計算資源の効率的な割り当てを広範な実験なしで導くのに利用できる。
  論文  参考訳（メタデータ） (2024-08-19T11:09:12Z)
• CoMMIT: Coordinated Multimodal Instruction Tuning [90.1532838391285]
  マルチモーダル大言語モデル(MLLM)は一般に、バックボーンLLMと非テキスト入力モードの特徴エンコーダ間の協調学習を含む。 本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。 本稿では,学習のバランスを定量的に測定できるマルチモーダルバランス係数を提案する。
  論文  参考訳（メタデータ） (2024-07-29T23:18:55Z)
• LLMs-as-Instructors: Learning from Errors Toward Automating Model Improvement [93.38736019287224]
  LLMs-as-Instructors"フレームワークは、より小さなターゲットモデルのトレーニングを自律的に強化する。 このフレームワークは、"Learning from Errors"理論にインスパイアされ、ターゲットモデル内の特定のエラーを注意深く分析するインストラクターLLMを使用している。 本フレームワークでは,適切なトレーニングデータに対する誤応答のみに焦点を当てた「エラーからの学習」と,比較学習を用いて誤りの深い理解を行う「コントラストによるエラーからの学習」という2つの戦略を実装している。
  論文  参考訳（メタデータ） (2024-06-29T17:16:04Z)
• MORepair: Teaching LLMs to Repair Code via Multi-Objective Fine-tuning [25.03477973238162]
  プログラム修復タスクに対するLLM(Large Language Model)の微調整アプローチは、コード変更の背後にあるロジックを推論する必要性を見落としている。 サイズやアーキテクチャの異なる4つのオープンソース LLM にMOobjective を適用する。 我々の微調整戦略は、最先端のアプローチよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-04-19T05:36:21Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)
• 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)
• Small LLMs Are Weak Tool Learners: A Multi-LLM Agent [73.54562551341454]
  大規模言語モデル(LLM)エージェントはスタンドアロンのLLMの機能を大幅に拡張する。 本稿では、上記の機能をプランナー、呼び出し元、要約器に分解する新しい手法を提案する。 このモジュール化されたフレームワークは、個々の更新と、それぞれの機能を構築するための小さなLLMの潜在的な使用を容易にする。
  論文  参考訳（メタデータ） (2024-01-14T16:17:07Z)

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。