Buchumschlag

Can We Recycle Our Old Models? An Empirical Evaluation of Model Selection Mechanisms for AIOps Solutions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lyu, Yingzhe, Li, Hao, Li, Heng, Hassan, Ahmed E.
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

On the Model Update Strategies for Supervised Learning in AIOps Solutions
von: Lyu, Yingzhe, et al.
Veröffentlicht: (2023)

A Survey of AIOps for Failure Management in the Era of Large Language Models
von: Zhang, Lingzhe, et al.
Veröffentlicht: (2024)

Empowering AIOps: Leveraging Large Language Models for IT Operations Management
von: Vitui, Arthur, et al.
Veröffentlicht: (2025)

A Survey of AIOps in the Era of Large Language Models
von: Zhang, Lingzhe, et al.
Veröffentlicht: (2025)

McUDI: Model-Centric Unsupervised Degradation Indicator for Failure Prediction AIOps Solutions
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2024)

Do AI Coding Agents Log Like Humans? An Empirical Study
von: Ouatiti, Youssef Esseddiq, et al.
Veröffentlicht: (2026)

On the Effect of Token Merging on Pre-trained Models for Code
von: Saad, Mootez, et al.
Veröffentlicht: (2025)

Ensembling Large Language Models for Code Vulnerability Detection: An Empirical Evaluation
von: Sun, Zhihong, et al.
Veröffentlicht: (2025)

Is Your Anomaly Detector Ready for Change? Adapting AIOps Solutions to the Real World
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2023)

On the Use of Agentic Coding: An Empirical Study of Pull Requests on GitHub
von: Watanabe, Miku, et al.
Veröffentlicht: (2025)

Prepared for the Unknown: Adapting AIOps Capacity Forecasting Models to Data Changes
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2025)

Software Engineering and Foundation Models: Insights from Industry Blogs Using a Jury of Foundation Models
von: Li, Hao, et al.
Veröffentlicht: (2024)

An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We?
von: Suh, Hyunjae, et al.
Veröffentlicht: (2024)

Can Old Tests Do New Tricks for Resolving SWE Issues?
von: Chen, Yang, et al.
Veröffentlicht: (2025)

AIOps Solutions for Incident Management: Technical Guidelines and A Comprehensive Literature Review
von: Remil, Youcef, et al.
Veröffentlicht: (2024)

Leveraging the Crowd for Dependency Management: An Empirical Study on the Dependabot Compatibility Score
von: Rombaut, Benjamin, et al.
Veröffentlicht: (2024)

An Empirical Study of Self-Admitted Technical Debt in Machine Learning Software
von: Bhatia, Aaditya, et al.
Veröffentlicht: (2023)

Empirical Evaluation of Large Language Models in Automated Program Repair
von: Sun, Jiajun, et al.
Veröffentlicht: (2025)

Property Testing for Ocean Models. Can We Specify It? (Invited Talk)
von: Cherian, Deepak A.
Veröffentlicht: (2025)

Can We Classify Flaky Tests Using Only Test Code? An LLM-Based Empirical Study
von: Berndt, Alexander, et al.
Veröffentlicht: (2026)

Agentic Refactoring: An Empirical Study of AI Coding Agents
von: Horikawa, Kosei, et al.
Veröffentlicht: (2025)

Agent READMEs: An Empirical Study of Context Files for Agentic Coding
von: Chatlatanagulchai, Worawalan, et al.
Veröffentlicht: (2025)

AgenticSZZ: Temporal Knowledge Graph-Guided Agentic Bug-Inducing Commit Identification
von: Shi, Yu, et al.
Veröffentlicht: (2026)

Industry Practitioners Perspectives on AI Model Quality: Perceptions, Challenges, and Solutions
von: Wang, Chenyu, et al.
Veröffentlicht: (2024)

An Empirical Study of Testing Practices in Open Source AI Agent Frameworks and Agentic Applications
von: Hasan, Mohammed Mehedi, et al.
Veröffentlicht: (2025)

Evaluating SZZ Implementations: An Empirical Study on the Linux Kernel
von: Lyu, Yunbo, et al.
Veröffentlicht: (2023)

A Large-Scale Evaluation for Log Parsing Techniques: How Far Are We?
von: Jiang, Zhihan, et al.
Veröffentlicht: (2023)

AIDev: Studying AI Coding Agents on GitHub
von: Li, Hao, et al.
Veröffentlicht: (2026)

An Empirical Study on Developers Shared Conversations with ChatGPT in GitHub Pull Requests and Issues
von: Hao, Huizi, et al.
Veröffentlicht: (2024)

Towards Evaluation Engineering: An Empirical Study of ML Evaluation Harnesses in the Wild
von: Zhao, Zhimin, et al.
Veröffentlicht: (2026)

Can Adjusting Hyperparameters Lead to Green Deep Learning: An Empirical Study on Correlations between Hyperparameters and Energy Consumption of Deep Learning Models
von: Wang, Taoran, et al.
Veröffentlicht: (2026)

Assessing and Improving the Representativeness of Code Generation Benchmarks Using Knowledge Units (KUs) of Programming Languages -- An Empirical Study
von: Ahasanuzzaman, Md, et al.
Veröffentlicht: (2026)

Can User Feedback Help Issue Detection? An Empirical Study on a One-billion-user Online Service System
von: Jiang, Shuyao, et al.
Veröffentlicht: (2025)

Large Language Models for IT Automation Tasks: Are We There Yet?
von: Hassan, Md Mahadi, et al.
Veröffentlicht: (2025)

GenAIOps for GenAI Model-Agility
von: Ueno, Ken, et al.
Veröffentlicht: (2024)

ACM SIGSOFT SEN Empirical Software Engineering: Introducing Our New Regular Column
von: Bogner, Justus, et al.
Veröffentlicht: (2025)

Screencast-Based Analysis of User-Perceived GUI Responsiveness
von: Liu, Wei, et al.
Veröffentlicht: (2025)

An Empirical Study on Influence-Based Pretraining Data Selection for Code Large Language Models
von: Xing, Chengli, et al.
Veröffentlicht: (2026)

Empirical Characterization of Logging Smells in Machine Learning Code
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)

Empirical Characterization of Logging Smells in Machine Learning Code
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)