Buchumschlag

Kajal: Extracting Grammar of a Source Code Using Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Torkamani, Mohammad Jalili
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Artificial Intelligence D.2; D.3; F.4.2; I.2.5
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ASSERTIFY: Utilizing Large Language Models to Generate Assertions for Production Code
von: Torkamani, Mohammad Jalili, et al.
Veröffentlicht: (2024)

Validating Solidity Code Defects using Symbolic and Concrete Execution powered by Large Language Models
von: Susan, Ştefan-Claudiu, et al.
Veröffentlicht: (2025)

LLMLOOP: Improving LLM-Generated Code and Tests through Automated Iterative Feedback Loops
von: Ravi, Ravin, et al.
Veröffentlicht: (2026)

On the Soundness and Consistency of LLM Agents for Executing Test Cases Written in Natural Language
von: Salva, Sébastien, et al.
Veröffentlicht: (2025)

L2MAC: Large Language Model Automatic Computer for Extensive Code Generation
von: Holt, Samuel, et al.
Veröffentlicht: (2023)

AIRA: AI-Induced Risk Audit: A Structured Inspection Framework for AI-Generated Code
von: Parris, William M.
Veröffentlicht: (2026)

From Scientific Texts to Verifiable Code: Automating the Process with Transformers
von: Wang, Changjie, et al.
Veröffentlicht: (2025)

A Systematic Approach for Assessing Large Language Models' Test Case Generation Capability
von: Chang, Hung-Fu, et al.
Veröffentlicht: (2025)

Secure coding for web applications: Frameworks, challenges, and the role of LLMs
von: Kiashemshaki, Kiana, et al.
Veröffentlicht: (2025)

Monitoring Agentic Systems Before They're Reliable
von: Boston, Marisa Ferrara, et al.
Veröffentlicht: (2026)

Towards a Probabilistic Framework for Analyzing and Improving LLM-Enabled Software
von: Baldonado, Juan Manuel, et al.
Veröffentlicht: (2025)

COMET: Coverage-guided Model Generation For Deep Learning Library Testing
von: Li, Meiziniu, et al.
Veröffentlicht: (2022)

The Specification as Quality Gate: Three Hypotheses on AI-Assisted Code Review
von: Zietsman, Christo
Veröffentlicht: (2026)

Inferring Input Grammars from Code with Symbolic Parsing
von: Bettscheider, Leon, et al.
Veröffentlicht: (2025)

DeepCodeProbe: Towards Understanding What Models Trained on Code Learn
von: Majdinasab, Vahid, et al.
Veröffentlicht: (2024)

Enhancing Differential Testing With LLMs For Testing Deep Learning Libraries
von: Li, Meiziniu, et al.
Veröffentlicht: (2024)

Demystifying the Silence of Correctness Bugs in PyTorch Compiler
von: Li, Meiziniu, et al.
Veröffentlicht: (2026)

Automated structural testing of LLM-based agents: methods, framework, and case studies
von: Kohl, Jens, et al.
Veröffentlicht: (2026)

Experience with GitHub Copilot for Developer Productivity at Zoominfo
von: Bakal, Gal, et al.
Veröffentlicht: (2025)

DEFault++: Automated Fault Detection, Categorization, and Diagnosis for Transformer Architectures
von: Jahan, Sigma, et al.
Veröffentlicht: (2026)

Iterative Audit Convergence in LLM-Managed Multi-Agent Systems: A Case Study in Prompt Engineering Quality Assurance
von: Calboreanu, Elias
Veröffentlicht: (2026)

Generative transformations and patterns in LLM-native approaches for software verification and falsification
von: Braberman, Víctor A., et al.
Veröffentlicht: (2024)

RMCBench: Benchmarking Large Language Models' Resistance to Malicious Code
von: Chen, Jiachi, et al.
Veröffentlicht: (2024)

Instruction and Solution Probabilities as Heuristics for Inductive Programming
von: McDaid, Edward, et al.
Veröffentlicht: (2025)

Secure and Scalable Blockchain Voting: A Comparative Framework and the Role of Large Language Models
von: Kiashemshaki, Kiana, et al.
Veröffentlicht: (2025)

CodeTracer: Towards Traceable Agent States
von: Li, Han, et al.
Veröffentlicht: (2026)

Orion: Fuzzing Workflow Automation
von: Bazalii, Max, et al.
Veröffentlicht: (2025)

Control Flow Graph Recovery for Dynamically Loaded Code via Symbolic Library Resolution
von: Mostovyi, Oleksandr
Veröffentlicht: (2026)

Abstain and Validate: A Dual-LLM Policy for Reducing Noise in Agentic Program Repair
von: Cambronero, José, et al.
Veröffentlicht: (2025)

Addressing Data Leakage in HumanEval Using Combinatorial Test Design
von: Bradbury, Jeremy S., et al.
Veröffentlicht: (2024)

Test-Driven AI Agent Definition (TDAD): Compiling Tool-Using Agents from Behavioral Specifications
von: Rehan, Tzafrir
Veröffentlicht: (2026)

Towards Explainable Test Case Prioritisation with Learning-to-Rank Models
von: Ramírez, Aurora, et al.
Veröffentlicht: (2024)

Assessing Data Augmentation-Induced Bias in Training and Testing of Machine Learning Models
von: More, Riddhi, et al.
Veröffentlicht: (2025)

Bug In the Code Stack: Can LLMs Find Bugs in Large Python Code Stacks
von: Lee, Hokyung, et al.
Veröffentlicht: (2024)

Fuzzy Logic Guided Reward Function Variation: An Oracle for Testing Reinforcement Learning Programs
von: Zhang, Shiyu, et al.
Veröffentlicht: (2024)

Review Beats Planning: Dual-Model Interaction Patterns for Code Synthesis
von: Miller, Jan
Veröffentlicht: (2026)

Utilizing Precise and Complete Code Context to Guide LLM in Automatic False Positive Mitigation
von: Chen, Jinbao, et al.
Veröffentlicht: (2024)

Scattered Forest Search: Smarter Code Space Exploration with LLMs
von: Light, Jonathan, et al.
Veröffentlicht: (2024)

Fuzzing the brain: Automated stress testing for the safety of ML-driven neurostimulation
von: Downing, Mara, et al.
Veröffentlicht: (2025)

Multi-Agent Code Verification via Information Theory
von: Rajan, Shreshth
Veröffentlicht: (2025)