Buchumschlag

Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shivashankar, Karthik, Hajj, Ghadi S. Al, Martini, Antonio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Maintainability Challenges in ML: A Systematic Literature Review
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2024)

TD-Suite: All Batteries Included Framework for Technical Debt Classification
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

Unravelling Technical debt topics through Time, Programming Languages and Repository
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

Better Python Programming for all: With the focus on Maintainability
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2024)

QualiTagger: Automating software quality detection in issue trackers
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

PyExamine A Comprehensive, UnOpinionated Smell Detection Tool for Python
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

MLScent A tool for Anti-pattern detection in ML projects
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

A Systematic Literature Review on the Use of Machine Learning in Software Engineering
von: Fred, Nyaga, et al.
Veröffentlicht: (2024)

Prompt-Driven Code Summarization: A Systematic Literature Review
von: Farjana, Afia, et al.
Veröffentlicht: (2026)

Monitoring Machine Learning Systems: A Multivocal Literature Review
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

Systematic Literature Review on Application of Learning-based Approaches in Continuous Integration
von: Arani, Ali Kazemi, et al.
Veröffentlicht: (2024)

Data-Driven Methods and AI in Engineering Design: A Systematic Literature Review Focusing on Challenges and Opportunities
von: Afifi, Nehal, et al.
Veröffentlicht: (2025)

Identifying Technical Debt and Its Types Across Diverse Software Projects Issues
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2024)

Applications and Challenges of Fairness APIs in Machine Learning Software
von: Das, Ajoy, et al.
Veröffentlicht: (2025)

Machine Learning Models for the Early Detection of Burnout in Software Engineering: a Systematic Literature Review
von: Tulili, Tien Rahayu, et al.
Veröffentlicht: (2026)

Data Requirement Goal Modeling for Machine Learning Systems
von: Yamani, Asma, et al.
Veröffentlicht: (2025)

Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities
von: Nadim, Md, et al.
Veröffentlicht: (2024)

An Empirical Analysis of Machine Learning Model and Dataset Documentation, Supply Chain, and Licensing Challenges on Hugging Face
von: Stalnaker, Trevor, et al.
Veröffentlicht: (2025)

How do Machine Learning Models Change?
von: Castaño, Joel, et al.
Veröffentlicht: (2024)

Perspective of Software Engineering Researchers on Machine Learning Practices Regarding Research, Review, and Education
von: Mojica-Hanke, Anamaria, et al.
Veröffentlicht: (2024)

Beyond the Comfort Zone: Emerging Solutions to Overcome Challenges in Integrating LLMs into Software Products
von: Nahar, Nadia, et al.
Veröffentlicht: (2024)

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

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

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

Scalable and Precise Patch Robustness Certification for Deep Learning Models with Top-k Predictions
von: Zhou, Qilin, et al.
Veröffentlicht: (2025)

Analysing Python Machine Learning Notebooks with Moose
von: Mignard, Marius, et al.
Veröffentlicht: (2025)

Optimising for Energy Efficiency and Performance in Machine Learning
von: Ferreira, Emile Dos Santos, et al.
Veröffentlicht: (2026)

Automated Trustworthiness Testing for Machine Learning Classifiers
von: Cho, Steven, et al.
Veröffentlicht: (2024)

Machine Learning Operations: A Mapping Study
von: Chakraborty, Abhijit, et al.
Veröffentlicht: (2024)

HarmonE: A Self-Adaptive Approach to Architecting Sustainable MLOps
von: Bhatt, Hiya, et al.
Veröffentlicht: (2025)

Understanding Practitioners Perspectives on Monitoring Machine Learning Systems
von: Naveed, Hira, 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)

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

Predicting the First Response Latency of Maintainers and Contributors in Pull Requests
von: Khatoonabadi, SayedHassan, et al.
Veröffentlicht: (2023)

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

Continuous Integration Practices in Machine Learning Projects: The Practitioners` Perspective
von: Bernardo, João Helis, et al.
Veröffentlicht: (2025)

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

Machine Learning Pipeline for Software Engineering: A Systematic Literature Review
von: Kansab, Samah
Veröffentlicht: (2025)