Buchumschlag

Automatic Identification of Machine Learning-Specific Code Smells

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hamfelt, Peter, Britto, Ricardo, Rocha, Lincoln, Almendra, Camilo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Specification and Detection of LLM Code Smells
von: Mahmoudi, Brahim, et al.
Veröffentlicht: (2025)

ML Code Smells: From Specification to Detection
von: Mahmoudi, Brahim, et al.
Veröffentlicht: (2025)

Investigating The Smells of LLM Generated Code
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2025)

AI-Generated Smells: An Analysis of Code and Architecture in LLM and Agent-Driven Development
von: Zhu, Yuecai, et al.
Veröffentlicht: (2026)

Copilot-in-the-Loop: Fixing Code Smells in Copilot-Generated Python Code using Copilot
von: Zhang, Beiqi, et al.
Veröffentlicht: (2024)

irace-evo: Automatic Algorithm Configuration Extended With LLM-Based Code Evolution
von: Sartori, Camilo Chacón, et al.
Veröffentlicht: (2025)

The Code Whisperer: LLM and Graph-Based AI for Smell and Vulnerability Resolution
von: Baqar, Mohammad, et al.
Veröffentlicht: (2026)

How Propense Are Large Language Models at Producing Code Smells? A Benchmarking Study
von: Velasco, Alejandro, et al.
Veröffentlicht: (2024)

Automatic Identification of Parallelizable Loops Using Transformer-Based Source Code Representations
von: Correia, Izavan dos S., et al.
Veröffentlicht: (2026)

The Specification Gap: Coordination Failure Under Partial Knowledge in Code Agents
von: Sartori, Camilo Chacón
Veröffentlicht: (2026)

CRScore: Grounding Automated Evaluation of Code Review Comments in Code Claims and Smells
von: Naik, Atharva, et al.
Veröffentlicht: (2024)

DynamicsLLM: a Dynamic Analysis-based Tool for Generating Intelligent Execution Traces Using LLMs to Detect Android Behavioural Code Smells
von: Cherief, Houcine Abdelkader, et al.
Veröffentlicht: (2026)

Inferring Code Correctness from Specification
von: Florian, Tambon, et al.
Veröffentlicht: (2026)

CodeSift: An LLM-Based Reference-Less Framework for Automatic Code Validation
von: Aggarwal, Pooja, et al.
Veröffentlicht: (2024)

Automatic Building Code Review: A Case Study
von: Wan, Hanlong, et al.
Veröffentlicht: (2025)

Machine Learning Techniques for Python Source Code Vulnerability Detection
von: Farasat, Talaya, et al.
Veröffentlicht: (2024)

CodeGenLink: A Tool to Find the Likely Origin and License of Automatically Generated Code
von: Bifolco, Daniele, et al.
Veröffentlicht: (2025)

BabelCoder: Agentic Code Translation with Specification Alignment
von: Rabbi, Fazle, et al.
Veröffentlicht: (2025)

Unveiling Project-Specific Bias in Neural Code Models
von: Li, Zhiming, et al.
Veröffentlicht: (2022)

NARRepair: Non-Autoregressive Code Generation Model for Automatic Program Repair
von: Yang, Zhenyu, et al.
Veröffentlicht: (2024)

Human-Machine Co-Boosted Bug Report Identification with Mutualistic Neural Active Learning
von: Long, Guoming, et al.
Veröffentlicht: (2026)

When the Code Autopilot Breaks: Why LLMs Falter in Embedded Machine Learning
von: Morabito, Roberto, et al.
Veröffentlicht: (2025)

AACR-Bench: Evaluating Automatic Code Review with Holistic Repository-Level Context
von: Zhang, Lei, et al.
Veröffentlicht: (2026)

Turbulence: Systematically and Automatically Testing Instruction-Tuned Large Language Models for Code
von: Honarvar, Shahin, et al.
Veröffentlicht: (2023)

FedCSD: A Federated Learning Based Approach for Code-Smell Detection
von: Alawadi, Sadi, et al.
Veröffentlicht: (2023)

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)

AutoICE: Automatically Synthesizing Verifiable C Code via LLM-driven Evolution
von: Luo, Weilin, et al.
Veröffentlicht: (2025)

A Qualitative Investigation into LLM-Generated Multilingual Code Comments and Automatic Evaluation Metrics
von: Katzy, Jonathan, et al.
Veröffentlicht: (2025)

Automatically Generating UI Code from Screenshot: A Divide-and-Conquer-Based Approach
von: Wan, Yuxuan, et al.
Veröffentlicht: (2024)

Code for Machines, Not Just Humans: Quantifying AI-Friendliness with Code Health Metrics
von: Borg, Markus, et al.
Veröffentlicht: (2026)

Uncovering Systematic Failures of LLMs in Verifying Code Against Natural Language Specifications
von: Jin, Haolin, et al.
Veröffentlicht: (2025)

LibEvolutionEval: A Benchmark and Study for Version-Specific Code Generation
von: Kuhar, Sachit, et al.
Veröffentlicht: (2024)

When the Specification Emerges: Benchmarking Faithfulness Loss in Long-Horizon Coding Agents
von: Yan, Lu, et al.
Veröffentlicht: (2026)

HLSDebugger: Identification and Correction of Logic Bugs in HLS Code with LLM Solutions
von: Wang, Jing, et al.
Veröffentlicht: (2025)

PACIFIC: a framework for generating benchmarks to check Precise Automatically Checked Instruction Following In Code
von: Dreyfuss, Itay, et al.
Veröffentlicht: (2025)

Teaching Machines to Code: Smart Contract Translation with LLMs
von: Karanjai, Rabimba, et al.
Veröffentlicht: (2024)

The Machine Learning Canvas: Empirical Findings on Why Strategy Matters More Than AI Code Generation
von: Prause, Martin
Veröffentlicht: (2026)

Rubric Is All You Need: Enhancing LLM-based Code Evaluation With Question-Specific Rubrics
von: Pathak, Aditya, et al.
Veröffentlicht: (2025)

DomAgent: Leveraging Knowledge Graphs and Case-Based Reasoning for Domain-Specific Code Generation
von: Wang, Shuai, et al.
Veröffentlicht: (2026)