Buchumschlag

Learning test generators for cyber-physical systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Peltomäki, Jarkko, Porres, Ivan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Requirement falsification for cyber-physical systems using generative models
von: Peltomäki, Jarkko, et al.
Veröffentlicht: (2023)

Using quantum annealing to generate test cases for cyber-physical systems
von: Araujo, Hugo, et al.
Veröffentlicht: (2025)

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

David vs. Goliath: A comparative study of different-sized LLMs for code generation in the domain of automotive scenario generation
von: Bauerfeind, Philipp, et al.
Veröffentlicht: (2025)

Dynamic Test Case Prioritization in Industrial Test Result Datasets
von: Torbunova, Alina, et al.
Veröffentlicht: (2024)

Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach
von: Tan, Ivan, et al.
Veröffentlicht: (2025)

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

Learning-Based Testing for Deep Learning: Enhancing Model Robustness with Adversarial Input Prioritization
von: Rahman, Sheikh Md Mushfiqur, et al.
Veröffentlicht: (2025)

Geospatial Machine Learning Libraries
von: Stewart, Adam J., et al.
Veröffentlicht: (2025)

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

Robust Learning of Diverse Code Edits
von: Aggarwal, Tushar, et al.
Veröffentlicht: (2025)

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

Should Code Models Learn Pedagogically? A Preliminary Evaluation of Curriculum Learning for Real-World Software Engineering Tasks
von: Khant, Kyi Shin, et al.
Veröffentlicht: (2025)

Targeted Deep Learning System Boundary Testing
von: Weißl, Oliver, et al.
Veröffentlicht: (2024)

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)

SmartChoices: Augmenting Software with Learned Implementations
von: Golovin, Daniel, et al.
Veröffentlicht: (2023)

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)

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

Lessons Learned from Mining the Hugging Face Repository
von: Castaño, Joel, et al.
Veröffentlicht: (2024)

JetTrain: IDE-Native Machine Learning Experiments
von: Trofimov, Artem, et al.
Veröffentlicht: (2024)

Automating Formal Verification with Reinforcement Learning and Recursive Inference
von: Tan, Max
Veröffentlicht: (2026)

GIST: Generated Inputs Sets Transferability in Deep Learning
von: Tambon, Florian, et al.
Veröffentlicht: (2023)

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)

Rule-Guided Reinforcement Learning Policy Evaluation and Improvement
von: Tappler, Martin, et al.
Veröffentlicht: (2025)

SwiftEval: Developing a Language-Specific Benchmark for LLM-generated Code Evaluation
von: Petrukha, Ivan, et al.
Veröffentlicht: (2025)

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

Towards Enhancing the Reproducibility of Deep Learning Bugs: An Empirical Study
von: Shah, Mehil B., et al.
Veröffentlicht: (2024)

Investigating Reproducibility in Deep Learning-Based Software Fault Prediction
von: Mukhtar, Adil, et al.
Veröffentlicht: (2024)

regAL: Python Package for Active Learning of Regression Problems
von: Surzhikova, Elizaveta, et al.
Veröffentlicht: (2024)

Ontology- and LLM-based Data Harmonization for Federated Learning in Healthcare
von: Kokash, Natallia, et al.
Veröffentlicht: (2025)

Domain-Adaptable Reinforcement Learning for Code Generation with Dense Rewards
von: Jolfaei, Erfan Aghadavoodi, et al.
Veröffentlicht: (2026)

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