Buchumschlag

Automated Modernization of Machine Learning Engineering Notebooks for Reproducibility

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jin, Bihui, Wang, Kaiyuan, Nie, Pengyu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Suggesting Code Edits in Interactive Machine Learning Notebooks Using Large Language Models
von: Jin, Bihui, et al.
Veröffentlicht: (2025)

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

More Rigorous Software Engineering Would Improve Reproducibility in Machine Learning Research
von: Wolter, Moritz, et al.
Veröffentlicht: (2025)

Energy-Efficient Software Development: A Multi-dimensional Empirical Analysis of Stack Overflow
von: Jin, Bihui, et al.
Veröffentlicht: (2024)

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

Large Language Models for Software Engineering: A Reproducibility Crisis
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2025)

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

Untangling Knots: Leveraging LLM for Error Resolution in Computational Notebooks
von: Grotov, Konstantin, et al.
Veröffentlicht: (2024)

A Flexible Cell Classification for ML Projects in Jupyter Notebooks
von: Perez, Miguel, et al.
Veröffentlicht: (2024)

Reproducibility in Machine Learning-based Research: Overview, Barriers and Drivers
von: Semmelrock, Harald, et al.
Veröffentlicht: (2024)

Efficient Incremental Code Coverage Analysis for Regression Test Suites
von: Wang, Jiale Amber, et al.
Veröffentlicht: (2024)

Automating the Training and Deployment of Models in MLOps by Integrating Systems with Machine Learning
von: Liang, Penghao, et al.
Veröffentlicht: (2024)

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

Automated Reproducibility Has a Problem Statement Problem
von: Snelleman, Thijs, et al.
Veröffentlicht: (2025)

Towards Enhancing the Reproducibility of Deep Learning Bugs: An Empirical Study
von: Shah, Mehil B., et al.
Veröffentlicht: (2024)

Investigating Reproducibility in Deep Learning-Based Software Fault Prediction
von: Mukhtar, Adil, et al.
Veröffentlicht: (2024)

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

RepDL: Bit-level Reproducible Deep Learning Training and Inference
von: Xie, Peichen, et al.
Veröffentlicht: (2025)

Using Small Language Models to Reverse-Engineer Machine Learning Pipelines Structures
von: Lacroix, Nicolas, et al.
Veröffentlicht: (2026)

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

Improving the Reproducibility of Deep Learning Software: An Initial Investigation through a Case Study Analysis
von: Ravi, Nikita, et al.
Veröffentlicht: (2025)

Cataloguing Hugging Face Models to Software Engineering Activities: Automation and Findings
von: González, Alexandra, et al.
Veröffentlicht: (2025)

R-LAM: Reproducibility-Constrained Large Action Models for Scientific Workflow Automation
von: Sureshkumar, Suriya
Veröffentlicht: (2026)

Containing the Reproducibility Gap: Automated Repository-Level Containerization for Scholarly Jupyter Notebooks
von: Samuel, Sheeba, et al.
Veröffentlicht: (2026)

A Regression Testing Framework with Automated Assertion Generation for Machine Learning Notebooks
von: Yao, Yingao Elaine, et al.
Veröffentlicht: (2025)

A Configuration-First Framework for Reproducible, Low-Code Localization
von: Strnad, Tim, et al.
Veröffentlicht: (2025)

Why do Machine Learning Notebooks Crash? An Empirical Study on Public Python Jupyter Notebooks
von: Wang, Yiran, 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)

Automating Formal Verification with Reinforcement Learning and Recursive Inference
von: Tan, Max
Veröffentlicht: (2026)

AutoSpec: Automated Generation of Neural Network Specifications
von: Jin, Shuowei, et al.
Veröffentlicht: (2024)

ToolFactory: Automating Tool Generation by Leveraging LLM to Understand REST API Documentations
von: Ni, Xinyi, et al.
Veröffentlicht: (2025)

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

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

Similarity-Based Assessment of Computational Reproducibility in Jupyter Notebooks
von: Hossain, A S M Shahadat, et al.
Veröffentlicht: (2025)

Constrained Adversarial Learning for Automated Software Testing: a literature review
von: Vitorino, João, et al.
Veröffentlicht: (2023)

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

Imitation Game: Reproducing Deep Learning Bugs Leveraging an Intelligent Agent
von: Shah, Mehil B, et al.
Veröffentlicht: (2025)

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

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