Buchumschlag

On the Effectiveness of Machine Learning-based Call Graph Pruning: An Empirical Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mir, Amir M., Keshani, Mehdi, Proksch, Sebastian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Artificial Intelligence Machine Learning Programming Languages
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OriginPruner: Leveraging Method Origins for Guided Call Graph Pruning
von: Mir, Amir M., et al.
Veröffentlicht: (2024)

Large Language Models Synergize with Automated Machine Learning
von: Xu, Jinglue, et al.
Veröffentlicht: (2024)

Linguacodus: A Synergistic Framework for Transformative Code Generation in Machine Learning Pipelines
von: Trofimova, Ekaterina, et al.
Veröffentlicht: (2024)

Representing Prompting Patterns with PDL: Compliance Agent Case Study
von: Vaziri, Mandana, et al.
Veröffentlicht: (2025)

APRIL: API Synthesis with Automatic Prompt Optimization and Reinforcement Learning
von: Zhong, Hua, et al.
Veröffentlicht: (2025)

A Joint Learning Model with Variational Interaction for Multilingual Program Translation
von: Du, Yali, et al.
Veröffentlicht: (2024)

ChatDBG: Augmenting Debugging with Large Language Models
von: Levin, Kyla H., et al.
Veröffentlicht: (2024)

Do Large Code Models Understand Programming Concepts? Counterfactual Analysis for Code Predicates
von: Hooda, Ashish, et al.
Veröffentlicht: (2024)

ScenicNL: Generating Probabilistic Scenario Programs from Natural Language
von: Elmaaroufi, Karim, et al.
Veröffentlicht: (2024)

Large Language Models for Code Summarization
von: Szalontai, Balázs, et al.
Veröffentlicht: (2024)

DafnyBench: A Benchmark for Formal Software Verification
von: Loughridge, Chloe, et al.
Veröffentlicht: (2024)

JavaBench: A Benchmark of Object-Oriented Code Generation for Evaluating Large Language Models
von: Cao, Jialun, et al.
Veröffentlicht: (2024)

A Multi-Expert Large Language Model Architecture for Verilog Code Generation
von: Nadimi, Bardia, et al.
Veröffentlicht: (2024)

Encoding architecture algebra
von: Bersier, Stephane, et al.
Veröffentlicht: (2024)

Incoherence as Oracle-less Measure of Error in LLM-Based Code Generation
von: Valentin, Thomas, et al.
Veröffentlicht: (2025)

FormalSpecCpp: A Dataset of C++ Formal Specifications created using LLMs
von: Chakraborty, Madhurima, et al.
Veröffentlicht: (2025)

Understanding Tool-Augmented Agents for Lean Formalization: A Factorial Analysis
von: Zhang, Ke, et al.
Veröffentlicht: (2026)

PerfRL: A Small Language Model Framework for Efficient Code Optimization
von: Duan, Shukai, et al.
Veröffentlicht: (2023)

MonoCoder: Domain-Specific Code Language Model for HPC Codes and Tasks
von: Kadosh, Tal, et al.
Veröffentlicht: (2023)

Benchmarking LLM for Code Smells Detection: OpenAI GPT-4.0 vs DeepSeek-V3
von: Sadik, Ahmed R., et al.
Veröffentlicht: (2025)

FlakyGuard: Automatically Fixing Flaky Tests at Industry Scale
von: Li, Chengpeng, et al.
Veröffentlicht: (2025)

Can It Edit? Evaluating the Ability of Large Language Models to Follow Code Editing Instructions
von: Cassano, Federico, et al.
Veröffentlicht: (2023)

$\textbf{PLUM}$: Improving Code LMs with Execution-Guided On-Policy Preference Learning Driven By Synthetic Test Cases
von: Zhang, Dylan, et al.
Veröffentlicht: (2024)

Do LLMs Consider Security? An Empirical Study on Responses to Programming Questions
von: Sajadi, Amirali, et al.
Veröffentlicht: (2025)

Call Me Maybe: Enhancing JavaScript Call Graph Construction using Graph Neural Networks
von: Bhuiyan, Masudul Hasan Masud, et al.
Veröffentlicht: (2025)

Tool Calling is Linearly Readable and Steerable in Language Models
von: Wu, Zekun, et al.
Veröffentlicht: (2026)

ReGAL: Refactoring Programs to Discover Generalizable Abstractions
von: Stengel-Eskin, Elias, et al.
Veröffentlicht: (2024)

Is Programming by Example solved by LLMs?
von: Li, Wen-Ding, et al.
Veröffentlicht: (2024)

Lita: Light Agent Uncovers the Agentic Coding Capabilities of LLMs
von: Dai, Hankun, et al.
Veröffentlicht: (2025)

EffiPair: Improving the Efficiency of LLM-generated Code with Relative Contrastive Feedback
von: Hajizadeh, Samira, et al.
Veröffentlicht: (2026)

EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking
von: Wei, Anjiang, et al.
Veröffentlicht: (2025)

TokDrift: When LLM Speaks in Subwords but Code Speaks in Grammar
von: Li, Yinxi, et al.
Veröffentlicht: (2025)

Fine-Tuning Multilingual Language Models for Code Review: An Empirical Study on Industrial C# Projects
von: Begolli, Igli, et al.
Veröffentlicht: (2025)

APIGen: Automated Pipeline for Generating Verifiable and Diverse Function-Calling Datasets
von: Liu, Zuxin, et al.
Veröffentlicht: (2024)

Benchmarking Large Language Models for ABAP Code Generation: An Empirical Study on Iterative Improvement by Compiler Feedback
von: Wallraven, Stephan, et al.
Veröffentlicht: (2026)

Worst-Case Convergence Time of ML Algorithms via Extreme Value Theory
von: Tizpaz-Niari, Saeid, et al.
Veröffentlicht: (2024)

ToolRegistry: A Protocol-Agnostic Tool Management Library for Function-Calling LLMs
von: Ding, Peng, et al.
Veröffentlicht: (2025)

Semantic-Preserving Transformations as Mutation Operators: A Study on Their Effectiveness in Defect Detection
von: Hort, Max, et al.
Veröffentlicht: (2025)

An Empirical Study of Fault Localisation Techniques for Deep Learning
von: Humbatova, Nargiz, et al.
Veröffentlicht: (2024)

SELA: Tree-Search Enhanced LLM Agents for Automated Machine Learning
von: Chi, Yizhou, et al.
Veröffentlicht: (2024)