Buchumschlag

EnseSmells: Deep ensemble and programming language models for automated code smells detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ho, Anh, Bui, Anh M. T., Nguyen, Phuong T., Di Salle, Amleto, Le, Bach
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Good things come in three: Generating SO Post Titles with Pre-Trained Models, Self Improvement and Post Ranking
von: Le, Duc Anh, et al.
Veröffentlicht: (2024)

Larger Is Not Always Better: Leveraging Structured Code Diffs for Comment Inconsistency Detection
von: Nguyen, Phong, et al.
Veröffentlicht: (2025)

Documentation-Guided Agentic Codebase Migration from C to Rust
von: Le-Anh, Minh, et al.
Veröffentlicht: (2026)

CodeWiki: Evaluating AI's Ability to Generate Holistic Documentation for Large-Scale Codebases
von: Hoang, Anh Nguyen, et al.
Veröffentlicht: (2025)

Detection of Technical Debt in Java Source Code
von: Hai, Nam Le, et al.
Veröffentlicht: (2024)

Bake Two Cakes with One Oven: RL for Defusing Popularity Bias and Cold-start in Third-Party Library Recommendations
von: Vuong, Minh Hoang, et al.
Veröffentlicht: (2025)

When Retriever Meets Generator: A Joint Model for Code Comment Generation
von: Le, Tien P. T., et al.
Veröffentlicht: (2025)

Once Upon a Team: Investigating Bias in LLM-Driven Software Team Composition and Task Allocation
von: Parziale, Alessandra, et al.
Veröffentlicht: (2026)

ROSE: Transformer-Based Refactoring Recommendation for Architectural Smells
von: Nursapa, Samal, et al.
Veröffentlicht: (2025)

LEGION: Harnessing Pre-trained Language Models for GitHub Topic Recommendations with Distribution-Balance Loss
von: Dang, Yen-Trang, et al.
Veröffentlicht: (2024)

From Empirical Evaluation to Context-Aware Enhancement: Repairing Regression Errors with LLMs
von: Ho, Anh, et al.
Veröffentlicht: (2025)

An Empirical Study of Multi-Agent RAG for Real-World University Admissions Counseling
von: Nguyen-Duc, Anh, et al.
Veröffentlicht: (2025)

Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond
von: Le-Anh, Minh, et al.
Veröffentlicht: (2026)

Qualitative Coding Analysis through Open-Source Large Language Models: A User Study and Design Recommendations
von: Ngo, Tung T., et al.
Veröffentlicht: (2026)

Evaluating the impact of code smell refactoring on the energy consumption of Android applications
von: Anwar, Hina, et al.
Veröffentlicht: (2025)

A proposal and assessment of an improved heuristic for the Eager Test smell detection
von: Tran, Huynh Khanh Vi, et al.
Veröffentlicht: (2025)

When simplicity meets effectiveness: Detecting code comments coherence with word embeddings and LSTM
von: Igbomezie, Michael Dubem, et al.
Veröffentlicht: (2024)

PHP code smells in web apps: survival and anomalies
von: Rio, Américo, et al.
Veröffentlicht: (2020)

Enhancing Program Repair with Specification Guidance and Intermediate Behavioral Signals
von: Le-Anh, Minh, et al.
Veröffentlicht: (2026)

Teamwork makes the dream work: LLMs-Based Agents for GitHub README.MD Summarization
von: Nguyen, Duc S. H., et al.
Veröffentlicht: (2025)

What a diff makes: automating code migration with large language models
von: Rosenfeld, Katherine A., et al.
Veröffentlicht: (2025)

COBOLAssist: Analyzing and Fixing Compilation Errors for LLM-Powered COBOL Code Generation
von: Dau, Anh T. V., et al.
Veröffentlicht: (2026)

COBOL-Coder: Domain-Adapted Large Language Models for COBOL Code Generation and Translation
von: Dau, Anh T. V., et al.
Veröffentlicht: (2026)

iML: Executable, Problem-Grounded, and Broadly Exploratory Code-Driven AutoML
von: Le, Dat, et al.
Veröffentlicht: (2026)

The Effect of Code Obfuscation on Human Program Comprehension
von: Nguyen, Anh H. N., et al.
Veröffentlicht: (2026)

Test smells in LLM-Generated Unit Tests
von: Ouédraogo, Wendkûuni C., et al.
Veröffentlicht: (2024)

Semantic Evolution over Populations for LLM-Guided Automated Program Repair
von: Le, Cuong Chi, et al.
Veröffentlicht: (2026)

Detection of security smells in IaC scripts through semantics-aware code and language processing
von: War, Aicha, et al.
Veröffentlicht: (2025)

DocChecker: Bootstrapping Code Large Language Model for Detecting and Resolving Code-Comment Inconsistencies
von: Dau, Anh T. V., et al.
Veröffentlicht: (2023)

CodeLSI: Leveraging Foundation Models for Automated Code Generation with Low-Rank Optimization and Domain-Specific Instruction Tuning
von: Le, Huy, et al.
Veröffentlicht: (2025)

Automated categorization of pre-trained models for software engineering: A case study with a Hugging Face dataset
von: Di Sipio, Claudio, et al.
Veröffentlicht: (2024)

ALPINE: An adaptive language-agnostic pruning method for language models for code
von: Saad, Mootez, et al.
Veröffentlicht: (2024)

Characterizing Requirements Smells
von: Gentili, Emanuele, et al.
Veröffentlicht: (2024)

Smells Depend on the Context: An Interview Study of Issue Tracking Problems and Smells in Practice
von: Montgomery, Lloyd, et al.
Veröffentlicht: (2026)

Envisioning the Next-Generation AI Coding Assistants: Insights & Proposals
von: Nghiem, Khanh, et al.
Veröffentlicht: (2024)

An Event-Driven Tool for Context-Aware Code Smell Detection Using SmellDSL
von: Viegas, Matheus dos Santos, et al.
Veröffentlicht: (2026)

Large language models for automated PRISMA 2020 adherence checking
von: Kataoka, Yuki, et al.
Veröffentlicht: (2025)

GenAI-Enabled Backlog Grooming in Agile Software Projects: An Empirical Study
von: Oftebro, Kasper Lien, et al.
Veröffentlicht: (2025)

Automated Detection of Inter-Language Design Smells in Multi-Language Deep Learning Frameworks
von: Li, Zengyang, et al.
Veröffentlicht: (2024)

xNose: A Test Smell Detector for C#
von: Paul, Partha P., et al.
Veröffentlicht: (2024)