Buchumschlag

The Impact of Software Testing with Quantum Optimization Meets Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Bandarupalli, Gopichand
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AI-Driven Code Refactoring: Using Graph Neural Networks to Enhance Software Maintainability
von: Bandarupalli, Gopichand
Veröffentlicht: (2025)

Code Reborn AI-Driven Legacy Systems Modernization from COBOL to Java
von: Bandarupalli, Gopichand
Veröffentlicht: (2025)

ML-On-Rails: Safeguarding Machine Learning Models in Software Systems A Case Study
von: Abdelkader, Hala, et al.
Veröffentlicht: (2024)

LLMs in Coding and their Impact on the Commercial Software Engineering Landscape
von: Belozerov, Vladislav, et al.
Veröffentlicht: (2025)

SWE-Replay: Efficient Test-Time Scaling for Software Engineering Agents
von: Ding, Yifeng, et al.
Veröffentlicht: (2026)

Sustainable Machine Learning Retraining: Optimizing Energy Efficiency Without Compromising Accuracy
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2025)

On the Replicability and Reproducibility of Deep Learning in Software Engineering
von: Liu, Chao, et al.
Veröffentlicht: (2020)

Can Search-Based Testing with Pareto Optimization Effectively Cover Failure-Revealing Test Inputs?
von: Sorokin, Lev, et al.
Veröffentlicht: (2024)

StepShield: When, Not Whether to Intervene on Rogue Agents
von: Felicia, Gloria, et al.
Veröffentlicht: (2026)

Utilizing Deep Learning to Optimize Software Development Processes
von: Li, Keqin, et al.
Veröffentlicht: (2024)

VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents
von: Xu, Bing, et al.
Veröffentlicht: (2026)

Machine Learning Robustness: A Primer
von: Braiek, Houssem Ben, et al.
Veröffentlicht: (2024)

Machine Learning with Requirements: a Manifesto
von: Giunchiglia, Eleonora, et al.
Veröffentlicht: (2023)

SWE-MiniSandbox: Container-Free Reinforcement Learning for Building Software Engineering Agents
von: Yuan, Danlong, et al.
Veröffentlicht: (2026)

DeepKnowledge: Generalisation-Driven Deep Learning Testing
von: Missaoui, Sondess, et al.
Veröffentlicht: (2024)

Is ChatGPT a Good Software Librarian? An Exploratory Study on the Use of ChatGPT for Software Library Recommendations
von: Latendresse, Jasmine, et al.
Veröffentlicht: (2024)

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

Challenges and Paths Towards AI for Software Engineering
von: Gu, Alex, et al.
Veröffentlicht: (2025)

ChatGPT Incorrectness Detection in Software Reviews
von: Tanzil, Minaoar Hossain, et al.
Veröffentlicht: (2024)

MIST-RL: Mutation-based Incremental Suite Testing via Reinforcement Learning
von: Zhu, Sicheng, et al.
Veröffentlicht: (2026)

asanAI: In-Browser, No-Code, Offline-First Machine Learning Toolkit
von: Koch, Norman, et al.
Veröffentlicht: (2025)

Adaptive Detection of Software Aging under Workload Shift
von: Silva, Rafael Jose Moura, et al.
Veröffentlicht: (2025)

Model Lake: a New Alternative for Machine Learning Models Management and Governance
von: Garouani, Moncef, et al.
Veröffentlicht: (2025)

Machine Learning Systems: A Survey from a Data-Oriented Perspective
von: Cabrera, Christian, et al.
Veröffentlicht: (2023)

The Role of Artificial Intelligence and Machine Learning in Software Testing
von: Ramadan, Ahmed, et al.
Veröffentlicht: (2024)

Toward Explaining Large Language Models in Software Engineering Tasks
von: Vitale, Antonio, et al.
Veröffentlicht: (2025)

EGSS: Entropy-guided Stepwise Scaling for Reliable Software Engineering
von: Mao, Chenhui, et al.
Veröffentlicht: (2026)

DRAGON: Robust Classification for Very Large Collections of Software Repositories
von: Balla, Stefano, et al.
Veröffentlicht: (2026)

Towards Transparent and Accurate Diabetes Prediction Using Machine Learning and Explainable Artificial Intelligence
von: Khokhar, Pir Bakhsh, et al.
Veröffentlicht: (2025)

Function+Data Flow: A Framework to Specify Machine Learning Pipelines for Digital Twinning
von: de Conto, Eduardo, et al.
Veröffentlicht: (2024)

Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring
von: Moin, Armin, et al.
Veröffentlicht: (2022)

Supersonic: Learning to Generate Source Code Optimizations in C/C++
von: Chen, Zimin, et al.
Veröffentlicht: (2023)

Foundation Model Engineering: Engineering Foundation Models Just as Engineering Software
von: Ran, Dezhi, et al.
Veröffentlicht: (2024)

SetupBench: Assessing Software Engineering Agents' Ability to Bootstrap Development Environments
von: Arora, Avi, et al.
Veröffentlicht: (2025)

The Hitchhikers Guide to Production-ready Trustworthy Foundation Model powered Software (FMware)
von: Vasilevski, Kirill, et al.
Veröffentlicht: (2025)

Protocol-Driven Development: Governing Generated Software Through Invariants and Continuous Evidence
von: He, Jun, et al.
Veröffentlicht: (2026)

Towards a Classification of Open-Source ML Models and Datasets for Software Engineering
von: González, Alexandra, et al.
Veröffentlicht: (2024)

A Large-Scale Study of Model Integration in ML-Enabled Software Systems
von: Sens, Yorick, et al.
Veröffentlicht: (2024)

GSO: Challenging Software Optimization Tasks for Evaluating SWE-Agents
von: Shetty, Manish, et al.
Veröffentlicht: (2025)

Explainable Artificial Intelligence Techniques for Software Development Lifecycle: A Phase-specific Survey
von: Arora, Lakshit, et al.
Veröffentlicht: (2025)