MétaCan
Menu
Retour à la cohorte
Enregistrement W1871530777 · doi:10.5555/1497115.1497123

A Logical Reasoning Approach to Automatic Composition of Stateless Components

2009· article· en· W1871530777 sur OpenAlexaff
Seyyed Vahid Hashemian, Farhad Mavaddat

Notice bibliographique

RevueFundamentals of Software Engineering · 2009
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Software Engineering Methodologies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésStateless protocolComputer scienceComponent (thermodynamics)ReuseComponent-based software engineeringSimple (philosophy)Composition (language)SoftwareProcess calculusProcess (computing)Theoretical computer scienceProgramming languageProperty (philosophy)Software systemDistributed computingEngineering

Résumé

récupéré en direct d'OpenAlex

Reusing available software components in developing new systems is always a priority, as it usually saves a considerable amount of time, money, and human effort. Since it might not always be possible to find a single component that provides the sought functionality, an ideal scenario for software reuse would be to build a new software system by composing existing components based on their behavioral properties. In this paper we take advantage of logical reasoning to find a solution for automatic composition of stateless components. Stateless components are components with a simple two step behavior: they receive all their inputs at the same time, and then return the corresponding outputs also at the same time. We provide concrete algorithms to find possible component compositions for a requested behavior. We then validate the returned compositions using composition algebraic rules. Composition algebra is a minimal process algebra that is specifically designed for this validation. In order to understand the functionality of the proposed approach in realistic situations, we also study some of the experimental results obtained by implementing the algorithm and running it on some test cases.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,015
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,004
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,006
Communication savante0,0040,006
Science ouverte0,0030,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,034
Tête enseignante GPT0,273
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFundamentals of Software EngineeringMême sujetAdvanced Software Engineering MethodologiesTravaux en français237 207