In software engineering, the imprecise requirements of a user are transformed to a formal requirements specification during the requirements elicitation process. This process is usually guided by requirements engineers interviewing the user. We want to partially automate this first step of the software engineering process in order to enable users to specify a desired software system on their own. With our approach, users are only asked to provide exemplary behavioral descriptions. The problem of synthesizing a requirements specification from examples can partially be reduced to the problem of grammatical inference, to which we apply an active coevolutionary learning approach. However, this approach would usually require many feedback queries to be sent to the user. In this work, we extend and generalize our active learning approach to receive knowledge from multiple oracles, also known as proactive learning. The ``user oracle'' represents input received from the user and the “knowledge oracle” represents available, formalized domain knowledge. We call our two-oracle approach the “first apply knowledge then query” (FAKT/Q) algorithm. We compare FAKT/Q to the active learning approach and provide an extensive benchmark evaluation. As result we find that the number of required user queries is reduced and the inference process is sped up significantly. Finally, with so-called On-The-Fly Markets, we present a motivation and an application of our approach where such knowledge is available.

中文翻译：

---

Multi-Oracle Coevolutionary Learning of Requirements Specifications from examples in On-The-Fly Market

在软件工程中，用户的不精确需求在需求获取过程中被转化为正式的需求规范。这个过程通常由与用户面谈的需求工程师指导。我们希望部分自动化软件工程过程的第一步，以便用户能够自行指定所需的软件系统。使用我们的方法，只要求用户提供示例性的行为描述。从示例中综合需求规范的问题可以部分归结为语法推理问题，我们对此应用了主动协同进化学习方法。然而，这种方法通常需要向用户发送许多反馈查询。在这项工作中，我们扩展并概括了我们的主动学习方法，以从多个预言机接收知识，也称为主动学习。“user oracle”代表从用户接收到的输入，“knowledge oracle”代表可用的、形式化的领域知识。我们称我们的双预言机方法为“先应用知识然后查询”（FAKT/Q）算法。我们将 FAKT/Q 与主动学习方法进行比较，并提供广泛的基准评估。结果，我们发现所需的用户查询数量减少了，推理过程显着加快。最后，通过所谓的 On-The-Fly Markets，我们展示了我们的方法在可以获得此类知识的情况下的动机和应用。代表从用户接收的输入，“知识预言机”代表可用的、形式化的领域知识。我们称我们的双预言机方法为“先应用知识然后查询”（FAKT/Q）算法。我们将 FAKT/Q 与主动学习方法进行比较，并提供广泛的基准评估。结果，我们发现所需的用户查询数量减少了，推理过程显着加快。最后，通过所谓的 On-The-Fly Markets，我们展示了我们的方法在可以获得此类知识的情况下的动机和应用。代表从用户接收的输入，“知识预言机”代表可用的、形式化的领域知识。我们称我们的双预言机方法为“先应用知识然后查询”（FAKT/Q）算法。我们将 FAKT/Q 与主动学习方法进行比较，并提供广泛的基准评估。结果，我们发现所需的用户查询数量减少了，推理过程显着加快。最后，通过所谓的 On-The-Fly Markets，我们展示了我们的方法在可以获得此类知识的情况下的动机和应用。结果，我们发现所需的用户查询数量减少了，推理过程显着加快。最后，通过所谓的 On-The-Fly Markets，我们展示了我们的方法在可以获得此类知识的情况下的动机和应用。结果，我们发现所需的用户查询数量减少了，推理过程显着加快。最后，通过所谓的 On-The-Fly Markets，我们展示了我们的方法在可以获得此类知识的情况下的动机和应用。