論文の概要: DRILS: Dependency-based Requirement Change Impact Analysis Using LLMs

• arxiv url: http://arxiv.org/abs/2610.33920v1
• Date: Sat, 24 Oct 2026 21:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.483136
• Title: DRILS: Dependency-based Requirement Change Impact Analysis Using LLMs
• Title（参考訳）: DRILS: LLMを用いた依存性に基づく要求変化の影響分析
• Abstract要約: 大規模言語モデル(LLM)は、要件変更の影響分析(CIA)のための有望なソリューションを提供するが、高度な技術で強化された場合の有効性は未定である。 本稿では,LCMに基づく要件変更影響分析のためのエージェントフレームワークであるDRILSについて述べる。 最先端のベースラインよりも優れた性能を示し,87.1%の平均リコール,76.3%の精度,F1スコアの81%を低コストで達成した。
• 参考スコア（独自算出の注目度）: 0.4104352271917982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change is inevitable in software systems, where requirements must continuously adapt to evolving stakeholder needs, regulations, and project scopes. Managing such changes is a fundamental software engineering challenge, as manually identifying the impact of a change request, given high requirements volume, Natural Language (NL) complexity, and intricate interdependencies, is error-prone and time-consuming. Large Language Models (LLMs) offer promising solutions for requirements change impact analysis (CIA), yet their effectiveness when enhanced with advanced techniques remains underexplored. We present DRILS, an LLM-based agentic framework for requirements Change Impact Analysis, employing a multi-agent architecture to generate candidate impact sets, with an LLM-as-a-judge promoting diversity during selection. DRILS features two key components: RE-RAG, a carefully engineered RAG technique providing focused domain context, and a requirement dependency graph (RDG) as an additional knowledge source. Evaluation across three manually curated datasets demonstrates superior performance over state-of-the-art baselines, achieving an average recall of 87.1%, precision of 76.3%, and F1 score of 81% at a lower cost. Precision gains are particularly significant, 41.1%, 83.4%, and 149.8% over the closest baseline per dataset, as higher precision directly reduces false positives and manual validation effort. We also contribute three annotated CIA datasets to support future research.
• Abstract（参考訳）: ソフトウェアシステムでは、要件が進化するステークホルダーのニーズや規制、プロジェクトの範囲に継続的に適応しなければならないため、変更は避けられない。 このような変更を管理することは、変更要求の影響を手動で識別する、基本的なソフトウェアエンジニアリングの課題である。 大規模言語モデル(LLM)は、要件変更影響分析(CIA)のための有望なソリューションを提供するが、高度な技術で強化された場合の有効性は未定である。 本稿では,LCMベースの要件変更影響分析のためのエージェントフレームワークであるDRILSについて述べる。 DRILSには2つの重要なコンポーネントがある。RE-RAG、集中ドメインコンテキストを提供する慎重に設計されたRAG技術、追加の知識ソースとして要求依存性グラフ(RDG)である。 手作業による3つのデータセットの評価は、最先端のベースラインよりも優れたパフォーマンスを示し、平均リコールは87.1%、精度は76.3%、F1スコアは81%を低コストで達成している。 精度の向上は特に重要であり、41.1%、83.4%、149.8%がデータセット当たりのベースラインに最も近い。 また、将来の研究を支援するために3つのアノテートされたCIAデータセットも提供します。

関連論文リスト

• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Metacognition as Reward: Reinforcing LLM Reasoning via Knowledge and Regulation Signals [75.25256166997414]
  本稿ではメタ認知に触発されたRLフレームワークであるメタ認知・アズ・リワード(MaR)を紹介する。 MaRは2つの一般的なプロセス次元を推論する。 MaRはモデル性能を継続的に改善し、ベースモデルよりも最大7.7%向上した。
  論文  参考訳（メタデータ） (2026-05-22T08:54:37Z)
• Domain Adaptation of Large Language Models for Polymer-Composite Additive Manufacturing Using Retrieval-Augmented Generation and Fine-Tuning [0.0]
  汎用大規模言語モデル(LLM)は、専門技術領域で信頼性の高い応答を生成するのにしばしば苦労する。 本研究では,ファウンデーションLLMを添加性製造(AM)領域に適用するための戦略について検討する。
  論文  参考訳（メタデータ） (2026-04-02T20:52:34Z)
• ROAD: Reflective Optimization via Automated Debugging for Zero-Shot Agent Alignment [1.6968020497268546]
  ROADは、最適化を検索ではなく動的デバッグ調査として扱う新しいフレームワークである。 道路はサンプリング効率が高く、成功率は5.6%、検索精度は3.8%向上している。 これらの結果は、ヒューマンエンジニアリングの失敗分析とパッチングのループを模倣することで、リソース集約的なトレーニングに代わる、実行可能なデータ効率の代替が可能になることを示唆している。
  論文  参考訳（メタデータ） (2025-12-30T07:31:34Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• LLM-Driven Cost-Effective Requirements Change Impact Analysis [4.629156733452248]
  本稿では,変更時の影響要件を自動的に識別するアプローチであるProReFiCIAを提案する。 ProReFiCIAは、ベンチマークデータセットで93.3%、新たに作成された業界データセットで95.8%のリコールを達成した。
  論文  参考訳（メタデータ） (2025-10-31T21:21:32Z)
• TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation [6.254217675711076]
  本稿では,主に自動車システムを対象とした要求トレーサビリティ検証とリカバリ手法であるTVRを紹介する。 TVRは、既存のトレーサビリティリンクを検証し、行方不明のリンクを高精度に復元するように設計されている。
  論文  参考訳（メタデータ） (2025-04-21T20:37:23Z)
• Democratizing LLMs: An Exploration of Cost-Performance Trade-offs in Self-Refined Open-Source Models [53.859446823312126]
  SoTAは7Bから65Bまでのさまざまなサイズのオープンソースモデルを平均して、ベースラインのパフォーマンスから8.2%改善している。 厳密に言えば、Vicuna-7Bのような非常に小さなメモリフットプリントを持つモデルでさえ、全体的な11.74%の改善と、高い創造性、オープンエンドタスクの25.39%の改善を示している。
  論文  参考訳（メタデータ） (2023-10-11T15:56:00Z)

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。