QUARE: 要件定義における品質属性のバランスを取るためのマルチエージェント交渉フレームワーク

本論文は、ソフトウェア要件定義（RE）の自動化において、複数の競合する品質属性（安全性、効率性、信頼性など）をバランスさせつつ、ステークホルダーの意図を維持する課題に対処するための新しいフレームワーク**「QUARE (QUality-Aware Requirements Engineering)」**を提案するものです。大規模言語モデル（LLM）を用いた既存のアプローチが抱える「単一モデルによる暗黙的な統合」の限界を克服し、構造化された対話的交渉を通じて競合を明示的に解決する手法を確立しました。

以下に、本論文の技術的要点を詳細にまとめます。

1. 背景と課題 (Problem)

現代のソフトウェア開発、特に自律システムや AI 応用においては、機能要件だけでなく、安全性、効率性、環境持続可能性、信頼性、責任性といった多様な非機能要件（NFR）を同時に満たす必要があります。

• 既存手法の限界:
  • 単一モデルアプローチ: 従来の LLM による RE は単一のモデルがすべての分析を行うため、競合する品質属性間のトレードオフが明示されず、特定の目的（例：機能性）が他（例：安全性や持続可能性）を圧迫する傾向があります。
  • 構造的欠如: 競合を「リソース制約」か「論理的矛盾」かに分類し、構造的に解決するプロトコルが不足しています。
  • モデル規模への依存: 多くのアプローチがモデルの規模拡大に依存しており、アーキテクチャ的な分解や対話プロトコルの重要性が軽視されています。

2. 提案手法：QUARE (Methodology)

QUARE は、ISO/IEC 25010 品質モデルに基づき、要件分析を 5 つの品質特化エージェントによる構造化された「対話的交渉」として定式化します。

A. マルチエージェント・アーキテクチャ

6 つの役割を持つエージェントで構成されます（表 1 参照）。

1. 5 つの品質特化エージェント:
   • Safety (安全性): 危険の特定と緩和。
   • Efficiency (効率性): パフォーマンスとリソース最適化。
   • Green (環境): エネルギー効率と炭素フットプリント。
   • Trustworthiness (信頼性): セキュリティとプライバシー。
   • Responsibility (責任): 倫理とコンプライアンス。
2. Orchestrator (調整役): エージェント間の調整とワークフローのオーケストレーション。

各エージェントは、共通の LLM バックボーンを使用しつつ、独自のシステムプロンプト（役割定義、CoT 指示、出力スキーマ）により機能的分離を図ります。

B. 5 フェーズ・パイプライン

1. 並列生成 (Phase 1): 5 つのエージェントが同じプロジェクト記述から、それぞれの品質観点に基づき多様な要件候補を並列生成します。
2. 弁証法的交渉 (Phase 2): 競合を特定し、**「テーゼ（提案）→ アンチテーゼ（批判）→ シンセシス（統合）」**の構造で多ラウンドの対話を行います。
   • 競合分類: リソース制約型（例：安全性 vs 省電力）と論理的矛盾型（例：暗号化遅延 vs 応答時間）を区別します。
   • 解決: 単なる優先順位付けではなく、アーキテクチャ的な分解（例：非同期処理の導入）による解決を目指します。
3. 統合とトポロジ検証 (Phase 3): 交渉結果を KAOS（Goal-Oriented Requirements Engineering）ゴールモデルに変換し、循環参照（DAG 無効）などを検証します。
4. 検証 (Phase 4): RAG（検索拡張生成）を用いて、業界標準（ISO 26262, ISO 27001 など）との整合性を確認し、ハルシネーションを検出します。
5. 標準化出力 (Phase 5): 構造的に正しい KAOS モデル（JSON/GSN XML）やテストケースを生成します。

C. 対話プロトコルの数学的定式化

交渉は、各エージェントの目的関数 $Q_i$ と重み $w_i$ を最大化する状態 $r^*$ を探索するプロセスとして近似されます。
$$r^* = \arg \max_r \sum_{i=1}^n w_i \cdot Q_i(r)$$
対話は最大 3 ラウンドで終了し、BERTScore による意味的安定性で収束を判定します。

3. 主要な貢献 (Key Contributions)

1. 交渉ベースのマルチエージェント・アーキテクチャ: 品質特化エージェントによる協働と、競合の明示的解決を実現。
2. 自動化された KAOS モデリング・パイプライン: 非構造化要件から構造的に妥当なゴールモデルへの変換。
3. 幾何学的評価手法: 単一指標ではなく、5 次元品質空間における凸包体積 (CHV) や 重心までの平均距離 (MDC)、軸ごとのバランス指標（CU, MAC）を導入し、要件の多様性とバランスを定量化。
4. OpenReBench: MARE や iReDev などの既存フレームワークの公平な比較のためのオープンソース実装スイートと実験アーティファクトの公開。

4. 実験結果 (Results)

MARE、iReDev、単一エージェント・ベースラインとの比較実験（5 つのケーススタディ、180 回の実行）において以下の結果が得られました。

• 網羅性と多様性 (RQ1):
  • QUARE は既存のマルチエージェント手法よりも25〜43% 多い要件を生成しました。
  • 次元バランス: 品質軸ごとの偏りが最も小さく（CU = 0.20）、最悪の品質軸でも他の手法よりも多くの要件をカバー（MAC = 6.7）しました。
• 交渉の効果と意味的保存 (RQ2):
  • 意味的保存: 生成された要件の意図が維持されている度合い（BERTScore）は**94.9%**で、ベースラインより 2.3〜5.9 ポイント高くなりました。
  • 競合解決: 単なる優先順位付けではなく、アーキテクチャ的な分解による創造的な解決（例：自動運転のセンサー融合遅延問題への 2 段階パッチワーク解決）が可能でした。
• 構造的妥当性とコンプライアンス (RQ3):
  • コンプライアンス網羅率: 業界標準（ISO 26262 など）との整合性が98.2%と、ベースライン（約 47%）に対して105% 向上しました。
  • 検証可能性: ISO 29148 基準に基づく「検証可能性」スコアが 4.96/5.0 と非常に高く、実務導入に適しています。

5. 意義と結論 (Significance)

• アーキテクチャの重要性: 要件定義の自動化において、モデルの規模（パラメータ数）よりも、「原理的なアーキテクチャ分解」と「明示的な相互作用プロトコル」、そして**「自動検証」**が成功の鍵であることを示しました。
• 実用性: 軽量なモデル（gpt-4o-mini）でも高品質な結果が得られ、交渉の痕跡（Trace）が監査や規制対応（EU AI Act など）に活用可能です。
• 将来展望: 人間との協調（Human-in-the-loop）の強化や、形式論理に基づくより厳密な対話プロトコルの適用が今後の課題です。

本論文は、LLM を活用した要件定義において、単なるテキスト生成を超え、工学的に厳密でバランスの取れたシステム設計を支援する新しいパラダイムを提示しています。