Buchumschlag

Enhancing the Accuracy and Comprehensibility in Architectural Tactics Detection via Small Model-Augmented Prompt Engineering

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cao, Lingli, Zhang, He, Li, Shanshan, Li, Danyang, Yang, Yanjing, Zhong, Chenxing, Zhou, Xin, Xie, Yue
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

Towards the Next Generation of Software: Insights from Grey Literature on AI-Native Applications
von: Cao, Lingli, et al.
Veröffentlicht: (2025)

APISENSOR: Robust Discovery of Web API from Runtime Traffic Logs
von: Yang, Yanjing, et al.
Veröffentlicht: (2026)

DLAP: A Deep Learning Augmented Large Language Model Prompting Framework for Software Vulnerability Detection
von: Yang, Yanjing, et al.
Veröffentlicht: (2024)

Architectural Tactics to Improve the Environmental Sustainability of Microservices: A Rapid Review
von: Xiao, Xingwen
Veröffentlicht: (2024)

PairSmell: A Novel Perspective Inspecting Software Modular Structure
von: Zhong, Chenxing, et al.
Veröffentlicht: (2024)

Prompt-Enhanced Software Vulnerability Detection Using ChatGPT
von: Zhang, Chenyuan, et al.
Veröffentlicht: (2023)

A Comprehensive Evaluation of Parameter-Efficient Fine-Tuning on Code Smell Detection
von: Zhang, Beiqi, et al.
Veröffentlicht: (2024)

Round-trip Engineering for Tactical DDD: A Constraint-Based Vision for the Masses
von: Zhang, Weixing, et al.
Veröffentlicht: (2026)

Green Architectural Tactics in ML-enabled Systems: An LLM-based Repository Mining Study
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2026)

A Synthesis of Green Architectural Tactics for ML-Enabled Systems
von: Järvenpää, Heli, et al.
Veröffentlicht: (2023)

Boundary Value Test Input Generation Using Prompt Engineering with LLMs: Fault Detection and Coverage Analysis
von: Guo, Xiujing, et al.
Veröffentlicht: (2025)

Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2024)

Detecting Build Dependency Errors in Incremental Builds
von: Lyu, Jun, et al.
Veröffentlicht: (2024)

One Size Does Not Fit All: Investigating Efficacy of Perplexity in Detecting LLM-Generated Code
von: Xu, Jinwei, et al.
Veröffentlicht: (2024)

Leveraging Self-Paced Learning for Software Vulnerability Detection
von: Cheng, Zeru, et al.
Veröffentlicht: (2025)

Enhancing Pre-Trained Language Models for Vulnerability Detection via Semantic-Preserving Data Augmentation
von: Qi, Weiliang, et al.
Veröffentlicht: (2024)

Green Prompt Engineering: Investigating the Energy Impact of Prompt Design in Software Engineering
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2025)

Prompt Alchemy: Automatic Prompt Refinement for Enhancing Code Generation
von: Ye, Sixiang, et al.
Veröffentlicht: (2025)

Fixing Outside the Box: Uncovering Tactics for Open-Source Security Issue Management
von: Zhang, Lyuye, et al.
Veröffentlicht: (2025)

AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation
von: Li, Xinyu, et al.
Veröffentlicht: (2026)

CODEPROMPTZIP: Code-specific Prompt Compression for Retrieval-Augmented Generation in Coding Tasks with LMs
von: He, Pengfei, et al.
Veröffentlicht: (2025)

Prompt-based Code Completion via Multi-Retrieval Augmented Generation
von: Tan, Hanzhuo, et al.
Veröffentlicht: (2024)

Promptware Engineering: Software Engineering for Prompt-Enabled Systems
von: Chen, Zhenpeng, et al.
Veröffentlicht: (2025)

TraceLLM: Leveraging Large Language Models with Prompt Engineering for Enhanced Requirements Traceability
von: Alturayeif, Nouf, et al.
Veröffentlicht: (2026)

Preference-Guided Refactored Tuning for Retrieval Augmented Code Generation
von: Gao, Xinyu, et al.
Veröffentlicht: (2024)

Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis
von: Niu, Feifei, et al.
Veröffentlicht: (2025)

An Architecture for Software Engineering Gamification
von: Pedreira, Óscar, et al.
Veröffentlicht: (2024)

Which Prompting Technique Should I Use? An Empirical Investigation of Prompting Techniques for Software Engineering Tasks
von: Santana Jr, E. G., et al.
Veröffentlicht: (2025)

Prompt Engineering for Requirements Engineering: A Literature Review and Roadmap
von: Huang, Kaicheng, et al.
Veröffentlicht: (2025)

Large Language Model for Vulnerability Detection and Repair: Literature Review and the Road Ahead
von: Zhou, Xin, et al.
Veröffentlicht: (2024)

Prompt Engineering Guidelines for Using Large Language Models in Requirements Engineering
von: Ronanki, Krishna, et al.
Veröffentlicht: (2025)

Enhancing Security in Third-Party Library Reuse -- Comprehensive Detection of 1-day Vulnerability through Code Patch Analysis
von: Xu, Shangzhi, et al.
Veröffentlicht: (2024)

Enhancing The Open Network: Definition and Automated Detection of Smart Contract Defects
von: Song, Hao, et al.
Veröffentlicht: (2025)

Exploring the Reasoning Depth of Small Language Models in Software Architecture: A Multidimensional Evaluation Framework Towards Software Engineering 2.0
von: Vo, Ha, et al.
Veröffentlicht: (2026)

Assessing and Advancing Benchmarks for Evaluating Large Language Models in Software Engineering Tasks
von: Hu, Xing, et al.
Veröffentlicht: (2025)

ReVul-CoT: Towards Effective Software Vulnerability Assessment with Retrieval-Augmented Generation and Chain-of-Thought Prompting
von: Chen, Zhijie, et al.
Veröffentlicht: (2025)

Do Advanced Language Models Eliminate the Need for Prompt Engineering in Software Engineering?
von: Wang, Guoqing, et al.
Veröffentlicht: (2024)

The First Prompt Counts the Most! An Evaluation of Large Language Models on Iterative Example-Based Code Generation
von: Fu, Yingjie, et al.
Veröffentlicht: (2024)

Quantum Optimization for Software Engineering: A Survey
von: Zhang, Man, et al.
Veröffentlicht: (2025)

Tactics, Techniques, and Procedures (TTPs) in Interpreted Malware: A Zero-Shot Generation with Large Language Models
von: Zhang, Ying, et al.
Veröffentlicht: (2024)