Buchumschlag

JetTrain: IDE-Native Machine Learning Experiments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Trofimov, Artem, Kostyukov, Mikhail, Ugdyzhekov, Sergei, Ponomareva, Natalia, Naumov, Igor, Melekhovets, Maksim
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

IDE-Bench: Evaluating Large Language Models as IDE Agents on Real-World Software Engineering Tasks
von: Mateega, Spencer, et al.
Veröffentlicht: (2026)

In-IDE Toolkit for Developers of AI-Based Features
von: Sokolov, Yaroslav, et al.
Veröffentlicht: (2026)

Training Long-Context, Multi-Turn Software Engineering Agents with Reinforcement Learning
von: Golubev, Alexander, et al.
Veröffentlicht: (2025)

Full Line Code Completion: Bringing AI to Desktop
von: Semenkin, Anton, et al.
Veröffentlicht: (2024)

On Pretraining for Project-Level Code Completion
von: Sapronov, Maksim, et al.
Veröffentlicht: (2025)

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

Mellum: Production-Grade in-IDE Contextual Code Completion with Multi-File Project Understanding
von: Pavlichenko, Nikita, et al.
Veröffentlicht: (2025)

Closing the Gap: A User Study on the Real-world Usefulness of AI-powered Vulnerability Detection & Repair in the IDE
von: Steenhoek, Benjamin, 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)

Control Models for In-IDE Code Completion
von: de Moor, Aral, et al.
Veröffentlicht: (2026)

Machine Learning Systems are Bloated and Vulnerable
von: Zhang, Huaifeng, et al.
Veröffentlicht: (2022)

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

How do Machine Learning Models Change?
von: Castaño, Joel, et al.
Veröffentlicht: (2024)

Machine Learning Operations: A Mapping Study
von: Chakraborty, Abhijit, et al.
Veröffentlicht: (2024)

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)

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

Applications and Challenges of Fairness APIs in Machine Learning Software
von: Das, Ajoy, et al.
Veröffentlicht: (2025)

Continuous Management of Machine Learning-Based Application Behavior
von: Anisetti, Marco, et al.
Veröffentlicht: (2023)

Automated Modernization of Machine Learning Engineering Notebooks for Reproducibility
von: Jin, Bihui, et al.
Veröffentlicht: (2026)

Verifying Machine Learning Interpretability Requirements through Provenance
von: Vonderhaar, Lynn, et al.
Veröffentlicht: (2026)

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

Pre-Training Representations of Binary Code Using Contrastive Learning
von: Zhang, Yifan, et al.
Veröffentlicht: (2022)

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

A Catalog of Fairness-Aware Practices in Machine Learning Engineering
von: Voria, Gianmario, et al.
Veröffentlicht: (2024)

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

Continuous Integration Practices in Machine Learning Projects: The Practitioners` Perspective
von: Bernardo, João Helis, et al.
Veröffentlicht: (2025)

RepDL: Bit-level Reproducible Deep Learning Training and Inference
von: Xie, Peichen, et al.
Veröffentlicht: (2025)

A Systematic Literature Review on the Use of Machine Learning in Software Engineering
von: Fred, Nyaga, et al.
Veröffentlicht: (2024)

Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

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

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

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

Bug Severity Prediction in Software Projects Using Supervised Machine Learning Models
von: Nice, Nafisha Tamanna
Veröffentlicht: (2026)

Using Small Language Models to Reverse-Engineer Machine Learning Pipelines Structures
von: Lacroix, Nicolas, et al.
Veröffentlicht: (2026)

More Rigorous Software Engineering Would Improve Reproducibility in Machine Learning Research
von: Wolter, Moritz, et al.
Veröffentlicht: (2025)

Can Coding Agents Be General Agents?
von: Ivanov, Maksim, et al.
Veröffentlicht: (2026)

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

Perspective of Software Engineering Researchers on Machine Learning Practices Regarding Research, Review, and Education
von: Mojica-Hanke, Anamaria, et al.
Veröffentlicht: (2024)