Buchumschlag

Hardness, Structural Knowledge, and Opportunity: An Analytical Framework for Modular Performance Modeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gheibi, Omid, Kästner, Christian, Jamshidi, Pooyan
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

Dealing with Drift of Adaptation Spaces in Learning-based Self-Adaptive Systems using Lifelong Self-Adaptation
von: Gheibi, Omid, et al.
Veröffentlicht: (2022)

From Hazard Identification to Controller Design: Proactive and LLM-Supported Safety Engineering for ML-Powered Systems
von: Hong, Yining, et al.
Veröffentlicht: (2025)

ZnTrack -- Data as Code
von: Zills, Fabian, et al.
Veröffentlicht: (2024)

Consolidating TinyML Lifecycle with Large Language Models: Reality, Illusion, or Opportunity?
von: Wu, Guanghan, et al.
Veröffentlicht: (2025)

What Is Wrong with My Model? Identifying Systematic Problems with Semantic Data Slicing
von: Yang, Chenyang, et al.
Veröffentlicht: (2024)

A Regression Framework for Understanding Prompt Component Impact on LLM Performance
von: Lauziere, Andrew, et al.
Veröffentlicht: (2026)

AKD : Adversarial Knowledge Distillation For Large Language Models Alignment on Coding tasks
von: Oulkadda, Ilyas, et al.
Veröffentlicht: (2025)

A Framework to Model ML Engineering Processes
von: Morales, Sergio, 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)

On the Impact of Black-box Deployment Strategies for Edge AI on Latency and Model Performance
von: Singh, Jaskirat, et al.
Veröffentlicht: (2024)

Bayesian Program Learning by Decompiling Amortized Knowledge
von: Palmarini, Alessandro B., et al.
Veröffentlicht: (2023)

A Comprehensive Framework for Evaluating API-oriented Code Generation in Large Language Models
von: Wu, Yixi, et al.
Veröffentlicht: (2024)

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

When Your LLM Reaches End-of-Life: A Framework for Confident Model Migration in Production Systems
von: Casey, Emma, et al.
Veröffentlicht: (2026)

Co-Located Tests, Better AI Code: How Test Syntax Structure Affects Foundation Model Code Generation
von: Jacopin, Éric
Veröffentlicht: (2026)

Automatic Generation of High-Performance RL Environments
von: Karten, Seth, et al.
Veröffentlicht: (2026)

Standing on the Shoulders of Giants: Stabilized Knowledge Distillation for Cross--Language Code Clone Detection
von: Khajezade, Mohamad, et al.
Veröffentlicht: (2026)

Deep Configuration Performance Learning: A Systematic Survey and Taxonomy
von: Gong, Jingzhi, et al.
Veröffentlicht: (2024)

Usability and Performance Analysis of Embedded Development Environment for On-device Learning
von: Scaffi, Enzo, et al.
Veröffentlicht: (2024)

A Reference Architecture of Reinforcement Learning Frameworks
von: Liu, Xiaoran, et al.
Veröffentlicht: (2026)

Methodological Framework for Quantifying Semantic Test Coverage in RAG Systems
von: Broestl, Noah, et al.
Veröffentlicht: (2025)

Sketch-and-Verify: Structured Inference-Time Scaling via Program Sketching
von: Jiang, Shan, et al.
Veröffentlicht: (2026)

Your Code Agent Can Grow Alongside You with Structured Memory
von: Deng, Yi-Xuan, et al.
Veröffentlicht: (2026)

SynthTools: A Framework for Scaling Synthetic Tools for Agent Development
von: Castellani, Tommaso, et al.
Veröffentlicht: (2025)

Engineering LLM Powered Multi-agent Framework for Autonomous CloudOps
von: Parthasarathy, Kannan, et al.
Veröffentlicht: (2025)

SnipGen: A Mining Repository Framework for Evaluating LLMs for Code
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2025)

Property-Driven Evaluation of GNN Expressiveness at Scale: Datasets, Framework, and Study
von: Che, Sicong, et al.
Veröffentlicht: (2026)

Beyond Synthetic Benchmarks: Evaluating LLM Performance on Real-World Class-Level Code Generation
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2025)

LLM Benchmarking with LLaMA2: Evaluating Code Development Performance Across Multiple Programming Languages
von: Diehl, Patrick, 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)

Model Provenance via Model DNA
von: Mu, Xin, et al.
Veröffentlicht: (2023)

A Stochastic Differential Equation Framework for Multi-Objective LLM Interactions: Dynamical Systems Analysis with Code Generation Applications
von: Shukla, Shivani, et al.
Veröffentlicht: (2025)

Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection
von: Sakhinana, Sagar Srinivas, et al.
Veröffentlicht: (2024)

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

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

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

Automating the Enterprise with Foundation Models
von: Wornow, Michael, et al.
Veröffentlicht: (2024)

Learning Performance-Improving Code Edits
von: Shypula, Alexander, et al.
Veröffentlicht: (2023)

Analyzing Latent Concepts in Code Language Models
von: Sharma, Arushi, et al.
Veröffentlicht: (2025)

Recommending Pre-Trained Models for IoT Devices
von: Patil, Parth V., et al.
Veröffentlicht: (2024)