Buchumschlag

Machine Learning Systems are Bloated and Vulnerable

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Huaifeng, Ahmed, Fahmi Abdulqadir, Fatih, Dyako, Kitessa, Akayou, Alhanahnah, Mohannad, Leitner, Philipp, Ali-Eldin, Ahmed
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Cure is in the Cause: A Filesystem for Container Debloating
von: Zhang, Huaifeng, et al.
Veröffentlicht: (2023)

The Hidden Bloat in Machine Learning Systems
von: Zhang, Huaifeng, et al.
Veröffentlicht: (2025)

DepsRAG: Towards Agentic Reasoning and Planning for Software Dependency Management
von: Alhanahnah, Mohannad, et al.
Veröffentlicht: (2024)

BACFuzz: Exposing the Silence on Broken Access Control Vulnerabilities in Web Applications
von: Dharmaadi, I Putu Arya, et al.
Veröffentlicht: (2025)

SoK: Software Debloating Landscape and Future Directions
von: Alhanahnah, Mohannad, et al.
Veröffentlicht: (2024)

An Empirical Evaluation of Pre-trained Large Language Models for Repairing Declarative Formal Specifications
von: Alhanahnah, Mohannad, et al.
Veröffentlicht: (2024)

Learning to Parallelize with OpenMP by Augmented Heterogeneous AST Representation
von: Chen, Le, et al.
Veröffentlicht: (2023)

Inferring Data Preconditions from Deep Learning Models for Trustworthy Prediction in Deployment
von: Ahmed, Shibbir, et al.
Veröffentlicht: (2024)

Understanding Practitioners Perspectives on Monitoring Machine Learning Systems
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

Data Requirement Goal Modeling for Machine Learning Systems
von: Yamani, Asma, et al.
Veröffentlicht: (2025)

Quality-Driven Selective Mutation for Deep Learning
von: Ahmed, Zaheed, et al.
Veröffentlicht: (2026)

Language Models are Better Bug Detector Through Code-Pair Classification
von: Alrashedy, Kamel, et al.
Veröffentlicht: (2023)

A systematic literature Review for Transformer-based Software Vulnerability detection
von: Naseer, Fiza, et al.
Veröffentlicht: (2026)

Monitoring Machine Learning Systems: A Multivocal Literature Review
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

Analysing the Behaviour of Tree-Based Neural Networks in Regression Tasks
von: Samoaa, Peter, et al.
Veröffentlicht: (2024)

Towards MLOps: A DevOps Tools Recommender System for Machine Learning System
von: Shah, Pir Sami Ullah, et al.
Veröffentlicht: (2024)

A Comprehensive Study of Machine Learning Techniques for Log-Based Anomaly Detection
von: Ali, Shan, et al.
Veröffentlicht: (2023)

Automating the Training and Deployment of Models in MLOps by Integrating Systems with Machine Learning
von: Liang, Penghao, et al.
Veröffentlicht: (2024)

The State of Documentation Practices of Third-party Machine Learning Models and Datasets
von: Oreamuno, Ernesto Lang, et al.
Veröffentlicht: (2023)

Are Latent Vulnerabilities Hidden Gems for Software Vulnerability Prediction? An Empirical Study
von: Le, Triet H. M., et al.
Veröffentlicht: (2024)

A Machine Learning-Based Error Mitigation Approach For Reliable Software Development On IBM'S Quantum Computers
von: Muqeet, Asmar, et al.
Veröffentlicht: (2024)

On the Workflows and Smells of Leaderboard Operations (LBOps): An Exploratory Study of Foundation Model Leaderboards
von: Zhao, Zhimin, et al.
Veröffentlicht: (2024)

VNN: Verification-Friendly Neural Networks with Hard Robustness Guarantees
von: Baninajjar, Anahita, et al.
Veröffentlicht: (2023)

CoDocBench: A Dataset for Code-Documentation Alignment in Software Maintenance
von: Pai, Kunal, et al.
Veröffentlicht: (2025)

To Err is Machine: Vulnerability Detection Challenges LLM Reasoning
von: Steenhoek, Benjamin, et al.
Veröffentlicht: (2024)

Snaps: Bloated and Outdated?
von: Ruohonen, Jukka, et al.
Veröffentlicht: (2025)

SynthFix: Adaptive Neuro-Symbolic Code Vulnerability Repair
von: Zhang, Yifan, et al.
Veröffentlicht: (2026)

K-ASTRO: Structure-Aware Adaptation of LLMs for Code Vulnerability Detection
von: Zhang, Yifan, et al.
Veröffentlicht: (2022)

MVD: A Multi-Lingual Software Vulnerability Detection Framework
von: Zhang, Boyu, et al.
Veröffentlicht: (2024)

Geospatial Machine Learning Libraries
von: Stewart, Adam J., et al.
Veröffentlicht: (2025)

Data Virtualization for Machine Learning
von: Khan, Saiful, et al.
Veröffentlicht: (2025)

Identifying Flaky Tests in Quantum Code: A Machine Learning Approach
von: Kaur, Khushdeep, et al.
Veröffentlicht: (2025)

Studying LLM Performance on Closed- and Open-source Data
von: Ahmed, Toufique, et al.
Veröffentlicht: (2024)

Investigating Test Overfitting on SWE-bench
von: Ahmed, Toufique, et al.
Veröffentlicht: (2025)

SWE-Bench-CL: Continual Learning for Coding Agents
von: Joshi, Thomas, et al.
Veröffentlicht: (2025)

Deep Learning and Machine Learning: Advancing Big Data Analytics and Management with Design Patterns
von: Chen, Keyu, et al.
Veröffentlicht: (2024)

Automatic Semantic Augmentation of Language Model Prompts (for Code Summarization)
von: Ahmed, Toufique, et al.
Veröffentlicht: (2023)

Optimising for Energy Efficiency and Performance in Machine Learning
von: Ferreira, Emile Dos Santos, et al.
Veröffentlicht: (2026)

Analysing Python Machine Learning Notebooks with Moose
von: Mignard, Marius, et al.
Veröffentlicht: (2025)

Automated Trustworthiness Testing for Machine Learning Classifiers
von: Cho, Steven, et al.
Veröffentlicht: (2024)