Buchumschlag

High-Quality Tabular Data Generation using Post-Selected VAE

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Shulakov, Volodymyr
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Software Engineering G.3
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FRANC: A Lightweight Framework for High-Quality Code Generation
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2023)

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

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

Reinforcement Learning from Automatic Feedback for High-Quality Unit Test Generation
von: Steenhoek, Benjamin, et al.
Veröffentlicht: (2024)

Reinforcement Learning from Automatic Feedback for High-Quality Unit Test Generation
von: Steenhoek, Benjamin, et al.
Veröffentlicht: (2023)

Efficient Solvers for SLOPE in R, Python, Julia, and C++
von: Larsson, Johan, et al.
Veröffentlicht: (2025)

SimClone: Detecting Tabular Data Clones using Value Similarity
von: Yang, Xu, et al.
Veröffentlicht: (2024)

When Data Quality Issues Collide: A Large-Scale Empirical Study of Co-Occurring Data Quality Issues in Software Defect Prediction
von: Dapaah, Emmanuel Charleson, et al.
Veröffentlicht: (2025)

The Fault in our Stars: Quality Assessment of Code Generation Benchmarks
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2024)

Enhancing Code Quality with Generative AI: Boosting Developer Warning Compliance
von: Chang, Hansen, et al.
Veröffentlicht: (2025)

Assessing the Quality and Security of AI-Generated Code: A Quantitative Analysis
von: Sabra, Abbas, et al.
Veröffentlicht: (2025)

Ensuring Functional Correctness of Large Code Models with Selective Generation
von: Jeong, Jaewoo, et al.
Veröffentlicht: (2025)

PPO guided Agentic Pipeline for Adaptive Prompt Selection and Test Case Generation
von: Koushik, Gourisetty Venkata Sai, et al.
Veröffentlicht: (2026)

JARVIS: A Multi-Agent Code Assistant for High-Quality EDA Script Generation
von: Pasandi, Ghasem, et al.
Veröffentlicht: (2025)

PrismaDV: Automated Task-Aware Data Unit Test Generation
von: Chen, Hao, et al.
Veröffentlicht: (2026)

DocuMint: Docstring Generation for Python using Small Language Models
von: Poudel, Bibek, et al.
Veröffentlicht: (2024)

Code Less, Align More: Efficient LLM Fine-tuning for Code Generation with Data Pruning
von: Tsai, Yun-Da, et al.
Veröffentlicht: (2024)

Targeted Test Selection Approach in Continuous Integration
von: Plyusnin, Pavel, et al.
Veröffentlicht: (2025)

Code-Aware Prompting: A study of Coverage Guided Test Generation in Regression Setting using LLM
von: Ryan, Gabriel, et al.
Veröffentlicht: (2024)

Quality Matters: Evaluating Synthetic Data for Tool-Using LLMs
von: Iskander, Shadi, et al.
Veröffentlicht: (2024)

Learning Service Selection Decision Making Behaviors During Scientific Workflow Development
von: Xie, Xihao, et al.
Veröffentlicht: (2024)

MetaSel: A Test Selection Approach for Fine-tuned DNN Models
von: Abbasishahkoo, Amin, et al.
Veröffentlicht: (2025)

Generative AI to Generate Test Data Generators
von: Baudry, Benoit, et al.
Veröffentlicht: (2024)

Blockchain-Enabled Accountability in Data Supply Chain: A Data Bill of Materials Approach
von: Liu, Yue, et al.
Veröffentlicht: (2024)

FAST: Boosting Uncertainty-based Test Prioritization Methods for Neural Networks via Feature Selection
von: Chen, Jialuo, et al.
Veröffentlicht: (2024)

Using Quality Attribute Scenarios for ML Model Test Case Generation
von: Brower-Sinning, Rachel, et al.
Veröffentlicht: (2024)

Latent Regularization in Generative Test Input Generation
von: Merabishvili, Giorgi, et al.
Veröffentlicht: (2026)

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

An Effective Software Risk Prediction Management Analysis of Data Using Machine Learning and Data Mining Method
von: Xu, Jinxin, et al.
Veröffentlicht: (2024)

Evaluating the Performance of a D-Wave Quantum Annealing System for Feature Subset Selection in Software Defect Prediction
von: Mandal, Ashis Kumar, et al.
Veröffentlicht: (2024)

PostTrainBench: Can LLM Agents Automate LLM Post-Training?
von: Rank, Ben, et al.
Veröffentlicht: (2026)

SynAE: A Framework for Measuring the Quality of Synthetic Data for Tool-Calling Agent Evaluations
von: Wang, Shuaiqi, et al.
Veröffentlicht: (2026)

HAPEns: Hardware-Aware Post-Hoc Ensembling for Tabular Data
von: Maier, Jannis, et al.
Veröffentlicht: (2026)

High-quality data augmentation for code comment classification
von: Borsani, Thomas, et al.
Veröffentlicht: (2026)

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

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

Security and Quality in LLM-Generated Code: A Multi-Language, Multi-Model Analysis
von: Kharma, Mohammed, et al.
Veröffentlicht: (2025)

Think Anywhere in Code Generation
von: Jiang, Xue, et al.
Veröffentlicht: (2026)

Dynamic Retrieval-Augmented Generation
von: Shapkin, Anton, et al.
Veröffentlicht: (2023)

ASTD Patterns for Integrated Continuous Anomaly Detection In Data Logs
von: Jabri, Chaymae El, et al.
Veröffentlicht: (2024)