Buchumschlag

PyTester: Deep Reinforcement Learning for Text-to-Testcase Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Takerngsaksiri, Wannita, Charakorn, Rujikorn, Tantithamthavorn, Chakkrit, Li, Yuan-Fang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing Large Language Models for Text-to-Testcase Generation
von: Alagarsamy, Saranya, et al.
Veröffentlicht: (2024)

Students' Perspective on AI Code Completion: Benefits and Challenges
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2023)

Code Readability in the Age of Large Language Models: An Industrial Case Study from Atlassian
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2025)

Human-In-The-Loop Software Development Agents: Challenges and Future Directions
von: Pasuksmit, Jirat, et al.
Veröffentlicht: (2025)

Fine-Tuning and Prompt Engineering for Large Language Models-based Code Review Automation
von: Pornprasit, Chanathip, et al.
Veröffentlicht: (2024)

Code Ownership: The Principles, Differences, and Their Associations with Software Quality
von: Thongtanunam, Patanamon, et al.
Veröffentlicht: (2024)

TaskEval: Synthesised Evaluation for Foundation-Model Tasks
von: Widanapathiranage, Dilani, et al.
Veröffentlicht: (2025)

On the Reliability and Explainability of Language Models for Program Generation
von: Liu, Yue, et al.
Veröffentlicht: (2023)

Human-In-the-Loop Software Development Agents
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2024)

AI for DevSecOps: A Landscape and Future Opportunities
von: Fu, Michael, et al.
Veröffentlicht: (2024)

Protect Your Secrets: Understanding and Measuring Data Exposure in VSCode Extensions
von: Liu, Yue, et al.
Veröffentlicht: (2024)

What do AI/ML practitioners think about AI/ML bias?
von: Pant, Aastha, et al.
Veröffentlicht: (2024)

Ethics in AI through the Practitioner's View: A Grounded Theory Literature Review
von: Pant, Aastha, et al.
Veröffentlicht: (2022)

From Domain Documents to Requirements: Retrieval-Augmented Generation in the Space Industry
von: Arora, Chetan, et al.
Veröffentlicht: (2025)

When AI Takes the Wheel: Security Analysis of Framework-Constrained Program Generation
von: Liu, Yue, et al.
Veröffentlicht: (2025)

Automatically Recommend Code Updates: Are We There Yet?
von: Liu, Yue, et al.
Veröffentlicht: (2022)

RAGVA: Engineering Retrieval Augmented Generation-based Virtual Assistants in Practice
von: Yang, Rui, et al.
Veröffentlicht: (2025)

Requirements-Driven Automated Software Testing: A Systematic Review
von: Wang, Fanyu, et al.
Veröffentlicht: (2025)

Blended PC Peer Review Model: Process and Reflection
von: Tantithamthavorn, Chakkrit, et al.
Veröffentlicht: (2025)

SQAPlanner: Generating Data-Informed Software Quality Improvement Plans
von: Rajapaksha, Dilini, et al.
Veröffentlicht: (2021)

Navigating Fairness: Practitioners' Understanding, Challenges, and Strategies in AI/ML Development
von: Pant, Aastha, et al.
Veröffentlicht: (2024)

Multi-Modal Requirements Data-based Acceptance Criteria Generation using LLMs
von: Wang, Fanyu, et al.
Veröffentlicht: (2025)

A Preliminary Study of Large Language Models for Multilingual Vulnerability Detection
von: Yu, Junji, et al.
Veröffentlicht: (2025)

Evaluating Large Language Models for Multilingual Vulnerability Detection at Dual Granularities
von: Shu, Honglin, et al.
Veröffentlicht: (2025)

On the Evaluation of Large Language Models in Multilingual Vulnerability Repair
von: wang, Dong, et al.
Veröffentlicht: (2025)

DecipherGuard: Understanding and Deciphering Jailbreak Prompts for a Safer Deployment of Intelligent Software Systems
von: Yang, Rui, et al.
Veröffentlicht: (2025)

MORTAR: Multi-turn Metamorphic Testing for LLM-based Dialogue Systems
von: Guo, Guoxiang, et al.
Veröffentlicht: (2024)

Practitioners' Challenges and Perceptions of CI Build Failure Predictions at Atlassian
von: Hong, Yang, et al.
Veröffentlicht: (2024)

Are Autonomous Web Agents Good Testers?
von: Chevrot, Antoine, et al.
Veröffentlicht: (2025)

AdaptiveGuard: Towards Adaptive Runtime Safety for LLM-Powered Software
von: Yang, Rui, et al.
Veröffentlicht: (2025)

Unveiling Assumptions: Exploring the Decisions of AI Chatbots and Human Testers
von: Neto, Francisco Gomes de Oliveira
Veröffentlicht: (2024)

DriveTester: A Unified Platform for Simulation-Based Autonomous Driving Testing
von: Cheng, Mingfei, et al.
Veröffentlicht: (2024)

Remote Communication Trends Among Developers and Testers in Post-Pandemic Work Environments
von: Jansen, Felipe, et al.
Veröffentlicht: (2024)

DiffuTester: Accelerating Unit Test Generation for Diffusion LLMs via Mining Structural Pattern
von: Yang, Lekang, et al.
Veröffentlicht: (2025)

Breaking Single-Tester Limits: Multi-Agent LLMs for Multi-User Feature Testing
von: Feng, Sidong, et al.
Veröffentlicht: (2025)

DeepREST: Automated Test Case Generation for REST APIs Exploiting Deep Reinforcement Learning
von: Corradini, Davide, et al.
Veröffentlicht: (2024)

ATGen: Adversarial Reinforcement Learning for Test Case Generation
von: Li, Qingyao, et al.
Veröffentlicht: (2025)

SWE-Tester: Training Open-Source LLMs for Issue Reproduction in Real-World Repositories
von: Soni, Aditya Bharat, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning for Automated Web GUI Testing
von: Gu, Zhiyu, et al.
Veröffentlicht: (2025)

Who Tests the Testers? Systematic Enumeration and Coverage Audit of LLM Agent Tool Call Safety
von: Chen, Xuan, et al.
Veröffentlicht: (2026)