論文の概要: World Requirement Model: Learning Requirement-Change Consequences from Typed Artifact Graphs
- arxiv url: http://arxiv.org/abs/2610.04445v1
- Date: Sat, 03 Oct 2026 11:16:57 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 20:54:34.823316
- Title: World Requirement Model: Learning Requirement-Change Consequences from Typed Artifact Graphs
- Title（参考訳）: 世界要求モデル:タイプドアーティファクトグラフからの学習要求-変化系列
- Abstract要約: 我々は、このエンジニアリングコンテキストを型付きアーティファクトグラフとしてエンコードし、共有アーティファクト識別子における結果を予測する世界要求モデル(WRM)を提案する。
WRMは、ハッシュテキスト多層パーセプトロンに対して0.724対0.623の衝撃平均精度(MAP)を得る。
WRMは、アーティファクトに適応した世界モデルの定式化、文脈的結果のスコアリングの比較証拠、および要求世界予測を評価するための明示的な条件に貢献している。
- 参考スコア（独自算出の注目度）: 31.60344882359958
- License:
- Abstract: Requirement changes can affect connected stakeholders, constraints, components, and tests. We present World Requirement Model (WRM), which encodes this engineering context as a typed artifact graph and predicts consequences at shared artifact identifiers. Relation-aware attention and typed propagation contextualize nodes; world and decision representations support learned dynamics. Shared readouts score impact, conflict, violation, and defect risk; auxiliary objectives supervise successor adjacency and latent prediction. On 28 scored cases from 282 synthetic cases in six domains, WRM obtains impact mean average precision (MAP) of 0.724 versus 0.623 for a hashed-text multilayer perceptron (MLP), a 16.2\% relative gain and paired difference of 0.101 (conditional 95\% interval [0.044,0.159]). Lowest-quarter mean AP improves by 32.4\%, and equal-domain MAP by 13.3\%. Four 47-case comparisons on an expanded corpus show MAP gains of 15.6--29.1\% and higher means on all five reported metrics. The recorded advantage thus extends across score summaries and annotation/training settings. Checkpoints were selected on scored cases, and backbones are unmatched, so these results characterize selected systems. Our analysis establishes candidate-coverage bounds and shows that the current linear impact head cannot rerank a fixed world's artifacts across decisions. WRM contributes an artifact-addressed world-model formulation, comparative evidence for contextual consequence scoring, and explicit conditions for evaluating requirement-world prediction.
- Abstract（参考訳）: 要求の変化は、接続された利害関係者、制約、コンポーネント、テストに影響を与える可能性がある。
我々は、このエンジニアリングコンテキストを型付きアーティファクトグラフとしてエンコードし、共有アーティファクト識別子における結果を予測する世界要求モデル(WRM)を提案する。
リレーショナルアウェアと型付き伝搬コンテキスト化ノード;世界と決定表現は学習力学をサポートする。
共有された読み出しは影響、紛争、違反、欠陥リスクをスコアし、補助的な目的は後継者の隣接と潜伏予測を監督する。
6つのドメインで282の合成ケースから28のスコアを得た場合、WRMは、ハッシュテキスト多層パーセプトロン(MLP)のインパクト平均精度(MAP)が0.724対0.623、相対利得が16.2\%、対差が0.101である(条件95\%間隔 [0.044,0.159])。
最も低い四半期平均APは32.4\%改善し、同じ領域MAPは13.3\%改善している。
拡張されたコーパスの47ケース比較では、MAPの上昇率は15.6--29.1\%で、報告された5つの指標でより高い。
記録された利点は、スコアサマリーとアノテーション/トレーニング設定にまたがる。
チェックポイントは採点されたケースで選択され、バックボーンは一致しないため、これらの結果は選択されたシステムの特徴である。
我々の分析は、候補被覆境界を確立し、現在の線形衝撃ヘッドが決定を越えて固定世界のアーティファクトをリランクできないことを示す。
WRMは、アーティファクトに適応した世界モデルの定式化、文脈的結果のスコアリングの比較証拠、および要求世界予測を評価するための明示的な条件に貢献している。
関連論文リスト
- Greedy Decoding Is Not Precision-Invariant: Cross-Precision Output Divergence in LLM Inference [13.137699166830322]
大規模言語モデルからのグレディ復号は、一般に決定論的として扱われる。
同一のモデル,プロンプト,デコードアルゴリズムは同一のハードウェア上で,BF16とFP16の異なる出力を生成する。
実験により,22層に蓄積したボディーエラーは,浮動小数点数と浮動小数点数とを区別しないことがわかった。
論文 参考訳（メタデータ） (2026-09-22T15:54:16Z) - Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。
3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-15T00:31:01Z) - Learning Manipulation-Sufficient Representations via Outcome Bottlenecks [7.044221981512693]
ネットワーク操作エンドポイントは、計算と帯域幅に制限のあるリンク間でのアクティベーションに対する認識を2つに分けている。
表現は、ポリシーフリーでアクション条件付きの結果ボトルネックで学習される。
有限プローブ定理は、局所レベル集合の接空間と結果ヤコビアンの零空間を識別する。
論文 参考訳（メタデータ） (2026-09-02T13:22:35Z) - When Built-in Thinking Helps and Hurts: Constraint-Level Error Shifts in Instruction Following [0.0]
大規模推論モデル (LRM) は数学や符号化性能を向上することが多いが、その影響は明らかではない。
IFEvalをQwen3モデル(1.7B-32B)で検討する。
論文 参考訳（メタデータ） (2026-06-08T15:45:04Z) - Beyond Mimicry: Preference Coherence in LLMs [0.19116784879310025]
大規模言語モデルが真の嗜好構造を示すかどうかを,AI固有のトレードオフに対する応答をテストすることによって検討する。
23の組合せ(47.9%)は、シナリオ強度と選択パターンの統計的に有意な関係を示した。
5つの組み合わせ(10.4%)だけが適応的またはしきい値に基づく行動を通じて有意義な嗜好コヒーレンスを示す。
不安定な遷移(45.8%)と刺激特異的感性は、現在のAIシステムが統一された嗜好構造を欠いていることを示唆している。
論文 参考訳（メタデータ） (2025-11-17T17:41:48Z) - Escaping the SpuriVerse: Can Large Vision-Language Models Generalize Beyond Seen Spurious Correlations? [37.703287009808896]
微調整は、非重要特徴とターゲットラベルの間に急激な相関を引き起こす可能性がある。
実世界の視覚探索探索(VQA)ベンチマークにおいて,GPT-4oエラーを抽出してベンチマークを作成する。
SpuriVerse上で15のオープンソースLVLMを評価し、最先端のクローズドソースモデルでもかなり苦労していることを発見した。
論文 参考訳（メタデータ） (2025-06-23T06:11:43Z) - Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。
我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。
正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
論文 参考訳（メタデータ） (2024-02-14T13:30:02Z)
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。