:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ahasanuzzaman, Md, Oliva, Gustavo A., Hassan, Ahmed E.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering
Online-Zugang:	https://arxiv.org/abs/2405.13852
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Predicting post-release defects with knowledge units (KUs) of programming languages: an empirical study
von: Ahasanuzzaman, Md, et al.
Veröffentlicht: (2024)

Assessing and Improving the Representativeness of Code Generation Benchmarks Using Knowledge Units (KUs) of Programming Languages -- An Empirical Study
von: Ahasanuzzaman, Md, et al.
Veröffentlicht: (2026)

An empirical study of question discussions on Stack Overflow
von: Zhu, Wenhan, et al.
Veröffentlicht: (2021)

Compiler.next: A Search-Based Compiler to Power the AI-Native Future of Software Engineering
von: Cogo, Filipe R., et al.
Veröffentlicht: (2025)

An empirical study of testing machine learning in the wild
von: Openja, Moses, et al.
Veröffentlicht: (2023)

Rethinking Software Engineering in the Foundation Model Era: From Task-Driven AI Copilots to Goal-Driven AI Pair Programmers
von: Hassan, Ahmed E., et al.
Veröffentlicht: (2024)

Towards AI-Native Software Engineering (SE 3.0): A Vision and a Challenge Roadmap
von: Hassan, Ahmed E., et al.
Veröffentlicht: (2024)

From Cool Demos to Production-Ready FMware: Core Challenges and a Technology Roadmap
von: Rajbahadur, Gopi Krishnan, et al.
Veröffentlicht: (2024)

UPC Sentinel: An Accurate Approach for Detecting Upgradeability Proxy Contracts in Ethereum
von: Ebrahimi, Amir M., et al.
Veröffentlicht: (2024)

A Large-Scale Exploratory Study on the Proxy Pattern in Ethereum
von: Ebrahimi, Amir M., et al.
Veröffentlicht: (2025)

On the synchronization between Hugging Face pre-trained language models and their upstream GitHub repository
von: Ajibode, Adekunle, et al.
Veröffentlicht: (2025)

When Elo Lies: Hidden Biases in Codeforces-Based Evaluation of Large Language Models
von: Zheng, Shenyu, et al.
Veröffentlicht: (2026)

On (Mis)perceptions of testing effectiveness: an empirical study
von: Vegas, Sira, et al.
Veröffentlicht: (2024)

An empirical study of LoRA-based fine-tuning of large language models for automated test case generation
von: Moradi, Milad, et al.
Veröffentlicht: (2026)

An empirical study on declined proposals: why are these proposals declined?
von: Kondo, Masanari, et al.
Veröffentlicht: (2025)

RepoForge: Training a SOTA Fast-thinking SWE Agent with an End-to-End Data Curation Pipeline Synergizing SFT and RL at Scale
von: Chen, Zhilong, et al.
Veröffentlicht: (2025)

EnseSmells: Deep ensemble and programming language models for automated code smells detection
von: Ho, Anh, et al.
Veröffentlicht: (2025)

SPICE: An Automated SWE-Bench Labeling Pipeline for Issue Clarity, Test Coverage, and Effort Estimation
von: Oliva, Gustavo A., et al.
Veröffentlicht: (2025)

Does Using Bazel Help Speed Up Continuous Integration Builds?
von: Zheng, Shenyu, et al.
Veröffentlicht: (2024)

SynConfRoute: Syntax-Aware Routing for Efficient Code Completion with Small CodeLLMs
von: Thangarajah, Kishanthan, et al.
Veröffentlicht: (2026)

Trusting code in the wild: Exploring contributor reputation measures to review dependencies in the Rust ecosystem
von: Hamer, Sivana, et al.
Veröffentlicht: (2024)

Bugfix: a standard language, database schema and repository for research on bugs and automatic program repair
von: Kananchuk, Victoria, et al.
Veröffentlicht: (2025)

OmniLLP: Enhancing LLM-based Log Level Prediction with Context-Aware Retrieval
von: Ouatiti, Youssef Esseddiq, et al.
Veröffentlicht: (2025)

Leveraging the Crowd for Dependency Management: An Empirical Study on the Dependabot Compatibility Score
von: Rombaut, Benjamin, et al.
Veröffentlicht: (2024)

I depended on you and you broke me: An empirical study of manifesting breaking changes in client packages
von: Venturini, Daniel, et al.
Veröffentlicht: (2023)

On the Effect of Token Merging on Pre-trained Models for Code
von: Saad, Mootez, et al.
Veröffentlicht: (2025)

AgenticSZZ: Temporal Knowledge Graph-Guided Agentic Bug-Inducing Commit Identification
von: Shi, Yu, et al.
Veröffentlicht: (2026)

An Empirical Study of Self-Admitted Technical Debt in Machine Learning Software
von: Bhatia, Aaditya, et al.
Veröffentlicht: (2023)

Can We Recycle Our Old Models? An Empirical Evaluation of Model Selection Mechanisms for AIOps Solutions
von: Lyu, Yingzhe, et al.
Veröffentlicht: (2025)

SLA-Awareness for AI-assisted coding
von: Thangarajah, Kishanthan, et al.
Veröffentlicht: (2025)

Context-Aware CodeLLM Eviction for AI-assisted Coding
von: Thangarajah, Kishanthan, et al.
Veröffentlicht: (2025)

Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities
von: Nadim, Md, et al.
Veröffentlicht: (2024)

Do AI Coding Agents Log Like Humans? An Empirical Study
von: Ouatiti, Youssef Esseddiq, et al.
Veröffentlicht: (2026)

On the Model Update Strategies for Supervised Learning in AIOps Solutions
von: Lyu, Yingzhe, et al.
Veröffentlicht: (2023)

Decade-long Utilization Patterns of ICSE Technical Papers and Associated Artifacts
von: Ahmed, Sharif, et al.
Veröffentlicht: (2024)

On the need to perform comprehensive evaluations of automated program repair benchmarks: Sorald case study
von: Liyanage, Sumudu, et al.
Veröffentlicht: (2025)

Beyond Accuracy: Behavioral Dynamics of Agentic Multi-Hunk Repair
von: Nashid, Noor, et al.
Veröffentlicht: (2025)

Adaptive Request Scheduling for CodeLLM Serving with SLA Guarantees
von: Chang, Shi, et al.
Veröffentlicht: (2025)

Characterizing Multi-Hunk Patches: Divergence, Proximity, and LLM Repair Challenges
von: Nashid, Noor, et al.
Veröffentlicht: (2025)

AIDev: Studying AI Coding Agents on GitHub
von: Li, Hao, et al.
Veröffentlicht: (2026)