論文の概要: Relationally Guided Use Case Modeling with LLMs

• arxiv url: http://arxiv.org/abs/2609.18291v1
• Date: Wed, 16 Sep 2026 08:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.708089
• Title: Relationally Guided Use Case Modeling with LLMs
• Title（参考訳）: LLMを用いた関係案内型ユースケースモデリング
• Abstract要約: ユースケースフローはユースケースモデリングの重要な要素です。 既存のアプローチは、セマンティック一貫性と制御-フローロジックを維持するのに依然として苦労している。 本稿では,フルユースケースフロー構築のためのFlowGenを提案する。
• 参考スコア（独自算出の注目度）: 8.692402852010993
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Use case flows are important elements of use case modeling because they support downstream software engineering activities, including requirements analysis, architectural and detailed design, and test case generation. However, constructing them manually is costly and expertise-intensive, while existing automated approaches still struggle to preserve semantic consistency, control-flow logic, data-flow logic, and the intended system boundary, especially when identifying branch points and generating alternative flows. To address this problem, we propose FlowGen for complete use case flow construction. FlowGen uses LLM-based Semantic Information Processing (SIP) to extract semantic elements, constructs a Semantic Relational Graph (SRG) encoded by an enhanced R-GAT for basic flow generation (BFGen), and further supports branch point prediction through BPP and branch-conditioned alternative flow generation through AFGen. Evaluations on 13 public and 7 industrial datasets show that FlowGen consistently outperforms competitive baselines in all three core components. In particular, BFGen improves over the best baseline by 14% in Precision, 7-25% in Recall, 11-30% in F1, and 10-19% in AUC; BPP improves Precision by 30-110%, Recall by 33-91%, and F1 by 32-117%; AFGen improves Precision by 8-23%, F1 by 5-18%, and AUC by 0.6-2.5%. Moreover, we validate the effectiveness of the LLM-based SIP module and the attention preservation factor in BFGen, analyze the impact of requirement completeness on BFGen, and examine how different scopes of branch-related context affect AFGen.
• Abstract（参考訳）: ユースケースフローは、要求分析、アーキテクチャと詳細な設計、テストケース生成など、下流のソフトウェアエンジニアリングアクティビティをサポートするため、ユースケースモデリングの重要な要素である。 しかし、手動で構築する作業はコストが高く専門性に富んでいるが、既存の自動化アプローチは、特に分岐点を特定し、代替フローを生成する場合、セマンティック一貫性、制御-フローロジック、データ-フローロジック、および意図したシステム境界を保存するのに依然として苦労している。 この問題に対処するために,フルユースケースフロー構築のためのFlowGenを提案する。 FlowGenは、LLMベースのセマンティック情報処理(SIP)を使用してセマンティック要素を抽出し、基本フロー生成(BFGen)のための拡張R-GATによって符号化されたセマンティックリレーショナルグラフ(SRG)を構築し、さらにBPPによる分岐点予測とAFGenによる分岐条件の代替フロー生成をサポートする。 13のパブリックデータセットと7のインダストリアルデータセットの評価によると、FlowGenは3つのコアコンポーネントすべてにおいて、一貫して競争ベースラインを上回っている。 特にBFGenは、精度が14%、リコールが7-25%、AUCが11-30%、AUCが10-19%、BPPが30-110%、リコールが33-91%、F1が32-117%、AFGenが8-23%、F1が5-18%、AUCが0.6-2.5%改善している。 さらに,LLMをベースとしたSIPモジュールの有効性と,BFGenにおけるアテンション保存因子の有効性を検証し,要求完全性がBFGenに与える影響を分析し,ブランチ関連コンテキストの異なるスコープがAFGenに与える影響を検討する。

関連論文リスト

• Precision-Aware Variable Bit Processing Elements for Hardware-Efficient Systolic Array Designs [0.7359962178534359]
  シストリックアレイ (Systolic arrays, SA) は、ディープラーニングにおける行列演算のハードウェアアクセラレータとして注目されている。 本研究では,静止重みアレーにおける浮動小数点乗算器の近似計算手法について検討する。
  論文  参考訳（メタデータ） (2026-08-23T12:00:17Z)
• SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD [91.71050339479261]
  本稿では,Ascend NPU SuperPODにおけるエンドツーエンド最適化手法を提案する。 モデルレベルの並列性、計算通信オーケストレーション、低レベルのカーネル実行にまたがる階層的最適化フレームワークを開発した。 その結果、34.22%のモデルFLOP(Model FLOP)利用が達成され、オープンソースのベースラインレシピよりも2.93倍改善された。
  論文  参考訳（メタデータ） (2026-07-22T13:49:17Z)
• FlowPipe: LLM-Enhanced Conditional Generative Flow Networks for Data Preparation Pipeline Construction [43.791981476558384]
  データ準備パイプラインは、生のテーブルを学習可能なデータに変換することによって、機械学習におけるデータ品質を改善する。 既存の最先端(SOTA)マルチDQNメソッドは3つの重要な制限に直面している。 有向非巡回グラフ上での条件付き確率フロー生成としてパイプライン合成を定式化する統合フレームワークであるFlowPipeを提案する。
  論文  参考訳（メタデータ） (2026-06-23T15:10:00Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Customer Churn Prediction on Structured Data Using FT-Transformer and Stacking Ensembles [0.0]
  本研究では,特徴量変換器(FT-Transformer)をキャリブレーション積み重ねによる勾配木と統合したハイブリッドアーキテクチャを提案する。 提案手法は, 統計的検証, 確率, キャリブレーションの持続的ギャップに対処し, 先行研究で確認された。 パブリックバンクチャーンデータセットでは、ハイブリッドモデル62.10% F1、0.861 AUC-ROC、0.647 PR-AUCがMulti-Layer Perceptron(MLP)ベースラインを3.37 F1ポイント、0.027 AUCを95%の信頼区間で上回っている。
  論文  参考訳（メタデータ） (2026-05-26T23:02:38Z)
• Explainable Vulnerability Detection in C/C++ Using Edge-Aware Graph Attention Networks [0.2499907423888049]
  本稿では,C/C++コードの脆弱性検出のためのグラフベースのフレームワークであるExplainVulDを提案する。 平均精度88.25パーセント、F1スコア48.23パーセントをReVealデータセット上で30の独立ランで達成している。
  論文  参考訳（メタデータ） (2025-07-22T12:49:14Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)

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。