Fugu-MT 論文翻訳(概要): Multimodal Requirements Traceability Link Recovery in Industrial Settings

論文の概要: Multimodal Requirements Traceability Link Recovery in Industrial Settings

arxiv url: http://arxiv.org/abs/2610.34503v1
Date: Sun, 25 Oct 2026 19:00:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.626618
Title: Multimodal Requirements Traceability Link Recovery in Industrial Settings
Title（参考訳）: 産業環境におけるトレーサビリティリンク回復のためのマルチモーダル要件
Abstract要約: 我々は、要求間トレーサビリティリンクリカバリ(TLR)のための検索拡張生成(RAG)アプローチを拡張した。我々の拡張はテキストと画像候補を別々に検索し、検索した各ペアを視覚言語モデルで分類し、予測されたリンクを言語化された信頼度でフィルタリングする。提案手法は, 産業データにおけるテキストのみのF1の改善と, 公開データセットにおける同様の性能を維持しながら, 4つの組み合わせのリンクを復元する。
参考スコア（独自算出の注目度）: 0.8699280339422538
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Requirements traceability links support activities such as change-impact analysis, coverage checking, and validation. Industrial requirements can include traceable images, which text-only approaches cannot process directly. For a fixed classifier configuration, binary decisions alone offer no direct way to adjust the balance between missed and incorrect links. We extend a retrieval-augmented generation (RAG) approach for inter-requirements traceability link recovery (TLR). Our extension retrieves text and image candidates separately, classifies each retrieved pair with a vision-language model, and filters the predicted links by verbalized confidence. We evaluate our approach on three non-overlapping industrial requirement sets and six public text-only datasets. On the industrial test sets, our approach achieves an F1 score of 0.310, compared with 0.114 for our replication of the baseline approach by Hey et al. Our approach recovers links in all four modality combinations while improving text-only F1 on the industrial data and maintaining similar performance on the public datasets, but recovery remains limited by failures to retrieve related text requirements for image queries. Confidence filtering produces link sets with different precision and recall, removing false positives and some correctly recovered links from the unfiltered link set. This study provides industrial evidence on the potential and limitations of a current RAG-based TLR approach for multimodal requirements and identifies cross-modal retrieval as the component to prioritize in further optimization.
Abstract（参考訳）: 要求トレーサビリティリンクは、変更影響分析、カバレッジチェック、バリデーションなどのアクティビティをサポートする。産業的要件には、テキストのみのアプローチでは直接処理できないトレーサブルなイメージが含まれる。固定分類器の設定では、バイナリ決定だけで、ミスリンクと不正リンクのバランスを調整できない。我々は、要求間トレーサビリティリンクリカバリ(TLR)のための検索拡張生成(RAG)アプローチを拡張した。我々の拡張はテキストと画像候補を別々に検索し、検索した各ペアを視覚言語モデルで分類し、予測されたリンクを言語化された信頼度でフィルタリングする。我々は,3つの重複しない産業要件セットと6つの公開テキストのみのデータセットに対するアプローチを評価した。産業用テストセットでは,Heyらによるベースラインアプローチの再現において0.114のF1スコアを達成したのに対し,本手法では,産業用データ上でのテキストのみのF1の改善と,公開データセット上での類似性能の維持を両立しながら,4つの組み合わせのリンクを復元するが,画像クエリの関連テキスト要求の検索に失敗したため,リカバリは依然として制限されている。信頼フィルタリング(Confidence filtering)は、異なる精度とリコールのリンクセットを生成し、偽陽性を除去し、未フィルタリングリンクセットから正しく回復したリンクを除去する。本研究は, マルチモーダル要求に対する現在のRAGベースのTLRアプローチの可能性と限界に関する工業的証拠を提供し, さらなる最適化を優先する要素として, クロスモーダル検索を同定する。

関連論文リスト

HybridResearcher: Bridging the Structured-Unstructured Boundary for Deep Research Agents [82.46910633945792]
構造的および非構造的境界を越えて証拠をブリッジする4BエージェントであるHybridResearcherを紹介する。我々は、教師付き微調整と強化学習を用いて、キュレートされたデータセットを訓練する。既存のHybridDeepResearchベンチマークから評価すると、HybridResearcherはベースモデルよりも改善されています。
論文参考訳（メタデータ） (2026-10-17T22:46:56Z)
VideoHarness-SRSI: Structured Recursive Self-Improvement for Video Understanding Harness [75.15615778283161]
LLMシステム機能は、モデルパラメータだけでなく、情報取得、ツールの使用、推論、メモリを整理する実行可能なハーネスにも依存する。本稿では,マルチモーダルなリッチな証拠と結合機構が利用効率の最適化を困難にしているエージェント的ビデオ理解において,この問題を考察する。
論文参考訳（メタデータ） (2026-10-14T02:17:07Z)
UniCA: Bi-directional Cross-Attention with Positive Similarity Loss for Robust Multi-Modal Retrieval [11.70412524968217]
マルチモーダル検索は、統合された視覚的テキストデータの量の増加を扱うためにますます重要になっている。既存のフレームワークはテキストエンコーダによる暗黙の融合に依存しており、明示的なクロスモーダルなセマンティックアライメントを制限する。本論文では,4つの重要なイノベーションを持つマルチモーダル検索モデルであるUniCAを提案する。
論文参考訳（メタデータ） (2026-06-03T10:57:28Z)
Geometry-Aware Uncertainty Coresets for Robust Visual In-Context Learning in Histopathology [8.2867621159451]
GAUCは,事前学習されたマルチモーダル埋め込み空間で直接動作する,トレーニング不要なコアセット選択法である。 CRC-100K と MHIST が複数のオープンソース VLM アーキテクチャにまたがっている場合、GAUC は精度、キャリブレーション、高速な勾配ロバスト性を改善している。
論文参考訳（メタデータ） (2026-05-18T13:54:04Z)
Soft Filtering: Guiding Zero-shot Composed Image Retrieval with Prescriptive and Proscriptive Constraints [3.5491867489872413]
Composed Image Retrieval (CIR) は、参照画像と修正テキストで表現されたユーザ意図に合わせたターゲット画像を見つけることを目的としている。現在のCIRベンチマークでは、修正テキストの曖昧さを見越して、クエリ毎に1つの正しいターゲットを仮定している。テキスト制約付きソフトフィルタ(SoFT)を提案する。
論文参考訳（メタデータ） (2025-12-23T21:29:45Z)
SETR: A Two-Stage Semantic-Enhanced Framework for Zero-Shot Composed Image Retrieval [4.230223288110963]
Zero-shot Composed Image Retrieval (ZS-CIR)は、トリプルトアノテーションに頼ることなく、参照画像と相対テキストが与えられたターゲット画像を取得することを目的としている。既存のCLIPベースの手法では、(1)組合ベースの特徴融合は、意図した変更を希釈する無関係な背景の詳細を担いながら、すべての視覚的手がかりを無差別に集約し、(2)CLIP埋め込みからのグローバルなコサイン類似性は、きめ細かいセマンティックな関係を解く能力に欠ける。
論文参考訳（メタデータ） (2025-09-30T09:41:52Z)
Multimodal Reasoning Agent for Zero-Shot Composed Image Retrieval [52.709090256954276]
Zero-Shot Composed Image Retrieval (ZS-CIR) は、合成クエリによってターゲット画像を取得することを目的としている。本稿では,ZS-CIRにMRA(Multimodal Reasoning Agent)を用いた新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-26T13:17:50Z)
iEBAKER: Improved Remote Sensing Image-Text Retrieval Framework via Eliminate Before Align and Keyword Explicit Reasoning [80.44805667907612]
iEBAKERは、弱い相関のサンプルペアをフィルタリングする革新的な戦略である。 SAR(Sort After Reversed Retrieval)戦略の代替として,SAR(Sort After Retrieval)戦略を導入する。キーワード明示型推論(KER)モジュールを組み込んで、微妙なキー概念の区別による有益な影響を促進する。
論文参考訳（メタデータ） (2025-04-08T03:40:19Z)
Zero-shot Composed Text-Image Retrieval [72.43790281036584]
合成画像検索(CIR)の問題点を考察する。テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
論文参考訳（メタデータ） (2023-06-12T17:56:01Z)

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。