Maschinelles Lernen von Modelltransformationen aus Transformationsdefinitionen
| Typ | Masterarbeit | |
|---|---|---|
| Aushang | Aushang Maschinelles Lernen von Modelltransformationen.pdf | |
| Betreuer | Wenden Sie sich bei Interesse oder Fragen bitte an: Christopher Gerking (E-Mail: christopher.gerking@kit.edu, Telefon: +49-721-608-45980) |
Motivation
Modelltransformationen sind ein etabliertes Mittel um Modelle in eine andere Modellierungssprache oder neue Struktur zu überführen. Um den Entwicklungsaufwand zu reduzieren ist es wünschenswert, Transformationsregeln durch den Einsatz künstlicher Intelligenz automatisch zu inferieren. Existierende Forschungsansätze gehen hierbei "beispielhaft" vor, indem sie Transformationen aus Paaren von Beispielmodellen (bestehend aus Eingabe und zugehöriger Ausgabe) maschinell erlernen. Um die Beispielmodelle als Trainingsdaten verfügbar zu machen, muss somit nach wie vor ein erheblicher Aufwand betrieben werden.
Aufgabenstellung
In dieser Arbeit soll ein alternativer Ansatz verfolgt werden, indem Modelltransformationen aus anderen Transformationen erlernt werden, deren Transformationsregeln zuvor bereits ausimplementiert wurden. Ein solcher Satz an Tranformationsregeln wird auch als Transformationsdefinition bezeichnet. Existierende Transformationsdefinitionen sollen somit als Trainingsdaten für neue, noch nicht ausimplementierte Transformationen fungieren.
Neben der Entwicklung eines Lernverfahrens umfassen die Arbeitsergebnisse auch einen Ansatz um existierende Transformationen per Repository Mining als Trainingsdaten verfügbar zu machen. Zu Evaluationszwecken soll der entwickelte Ansatz dem "beispielhaften" Vorgehen gegenübergestellt und hinsichtlich des Entwicklungsaufwandes sowie der Genauigkeit der Inferenz bewertet werden.
Voraussetzungen
- Vorerfahrung mit ML-Technologien
- Hohes Interesse am Themengebiet der maschinellen Übersetzung
- Hilfreich (aber nicht vorausgesetzt) ist ein erfolgreicher Prüfungsabschluss in der Vorlesung Modellgetriebene Software-Entwicklung