:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Somin, Yoo, Shin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	https://arxiv.org/abs/2502.02910
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Clotho: Measuring Task-Specific Pre-Generation Test Adequacy for LLM Inputs
von: Yoon, Juyeon, et al.
Veröffentlicht: (2025)

Capturing Semantic Flow of ML-based Systems
von: Yoo, Shin, et al.
Veröffentlicht: (2025)

Atropos: Improving Cost-Benefit Trade-off of LLM-based Agents under Self-Consistency with Early Termination and Model Hotswap
von: Kim, Naryeong, et al.
Veröffentlicht: (2026)

Generating Realistic, Diverse, and Fault-Revealing Inputs with Latent Space Interpolation for Testing Deep Neural Networks
von: Duan, Bin, et al.
Veröffentlicht: (2025)

An Empirical Study of Fault Localisation Techniques for Deep Learning
von: Humbatova, Nargiz, et al.
Veröffentlicht: (2024)

Real Faults in Deep Learning Fault Benchmarks: How Real Are They?
von: Jahangirova, Gunel, et al.
Veröffentlicht: (2024)

FairQuant: Certifying and Quantifying Fairness of Deep Neural Networks
von: Kim, Brian Hyeongseok, et al.
Veröffentlicht: (2024)

COSMosFL: Ensemble of Small Language Models for Fault Localisation
von: Cho, Hyunjoon, et al.
Veröffentlicht: (2025)

Predictive Prompt Analysis
von: Lee, Jae Yong, et al.
Veröffentlicht: (2025)

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

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

Unified Implementations of Recurrent Neural Networks in Multiple Deep Learning Frameworks
von: Martinuzzi, Francesco
Veröffentlicht: (2025)

FairFLRep: Fairness aware fault localization and repair of Deep Neural Networks
von: Openja, Moses, et al.
Veröffentlicht: (2025)

DEM: A Method for Certifying Deep Neural Network Classifier Outputs in Aerospace
von: Katz, Guy, et al.
Veröffentlicht: (2024)

ModelVerification.jl: a Comprehensive Toolbox for Formally Verifying Deep Neural Networks
von: Wei, Tianhao, et al.
Veröffentlicht: (2024)

Toward Efficient Testing of Graph Neural Networks via Test Input Prioritization
von: Yang, Lichen, et al.
Veröffentlicht: (2025)

DeepGD: A Multi-Objective Black-Box Test Selection Approach for Deep Neural Networks
von: Aghababaeyan, Zohreh, et al.
Veröffentlicht: (2023)

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

Fairpriori: Improving Biased Subgroup Discovery for Deep Neural Network Fairness
von: Zhou, Kacy, et al.
Veröffentlicht: (2024)

Concolic Testing on Individual Fairness of Neural Network Models
von: Huang, Ming-I, et al.
Veröffentlicht: (2025)

AutoSpec: Automated Generation of Neural Network Specifications
von: Jin, Shuowei, et al.
Veröffentlicht: (2024)

SimCert: Probabilistic Certification for Behavioral Similarity in Deep Neural Network Compression
von: Li, Jingyang, et al.
Veröffentlicht: (2026)

A DPLL(T) Framework for Verifying Deep Neural Networks
von: Duong, Hai, et al.
Veröffentlicht: (2023)

Benchmarking Generative AI Models for Deep Learning Test Input Generation
von: Maryam, et al.
Veröffentlicht: (2024)

VNN: Verification-Friendly Neural Networks with Hard Robustness Guarantees
von: Baninajjar, Anahita, et al.
Veröffentlicht: (2023)

Towards Assessing Deep Learning Test Input Generators
von: Mzoughi, Seif, et al.
Veröffentlicht: (2025)

TopoMap: A Feature-based Semantic Discriminator of the Topographical Regions in the Test Input Space
von: De Vita, Gianmarco, et al.
Veröffentlicht: (2025)

ReflexiCoder: Teaching Large Language Models to Self-Reflect on Generated Code and Self-Correct It via Reinforcement Learning
von: Jiang, Juyong, et al.
Veröffentlicht: (2026)

PyTorch-based Geometric Learning with Non-CUDA Processing Units: Experiences from Intel Gaudi-v2 HPUs
von: Bu, Fanchen, et al.
Veröffentlicht: (2025)

Phoeni6: a Systematic Approach for Evaluating the Energy Consumption of Neural Networks
von: Oliveira-Filho, Antônio, et al.
Veröffentlicht: (2025)

On the Usage of Continual Learning for Out-of-Distribution Generalization in Pre-trained Language Models of Code
von: Weyssow, Martin, et al.
Veröffentlicht: (2023)

On Accelerating Deep Neural Network Mutation Analysis by Neuron and Mutant Clustering
von: Lyons, Lauren, et al.
Veröffentlicht: (2025)

Enhancing Software Vulnerability Detection Using Code Property Graphs and Convolutional Neural Networks
von: Saimbhi, Amanpreet Singh
Veröffentlicht: (2025)

Order Matters! An Empirical Study on Large Language Models' Input Order Bias in Software Fault Localization
von: Rafi, Md Nakhla, et al.
Veröffentlicht: (2024)

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

RLHGNN: Reinforcement Learning-driven Heterogeneous Graph Neural Network for Next Activity Prediction in Business Processes
von: Wang, Jiaxing, et al.
Veröffentlicht: (2025)

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)

Grounding Data Science Code Generation with Input-Output Specifications
von: Wen, Yeming, et al.
Veröffentlicht: (2024)

Ensuring Reliability in Programming Knowledge Tracing: A Re-evaluation of Attention-augmented Models and Experimental Protocols
von: Kim, Jaewook, et al.
Veröffentlicht: (2026)

On Training a Neural Network to Explain Binaries
von: Interrante-Grant, Alexander, et al.
Veröffentlicht: (2024)