175 Arbeiten
Die Arbeit stellt SpecOps vor, ein vollständig automatisiertes Testframework, das mithilfe spezialisierter LLM-Agenten GUI-basierte KI-Agenten in realen Umgebungen effizient auf Fehler untersucht und dabei sowohl in der Genauigkeit als auch in der Kosteneffizienz bestehende Methoden übertrifft.
Der vorgestellte Ansatz „Herding" nutzt die Sparsity of Influence, um mit dem effizienten, modellfreien Lernverfahren EZR komplexe Software durch gezieltes Sampling statt durch kostspielige Verifikation zu steuern.
Diese Arbeit stellt FP-Predictor vor, ein auf Graph Convolutional Networks basierendes Modell, das mithilfe von Code Property Graphs und dem CamBenchCAP-Datensatz mit bis zu 100 % Genauigkeit False Positives in statischen Sicherheitsanalysen identifiziert und dabei auch echte Sicherheitslücken als solche erkennt.
Dieser Artikel fasst die erste Ausgabe des QuantumX-Tracks der JISBD 2025 zusammen, die als bahnbrechendes Forum diente, um die Konvergenz von Quantencomputing und Softwaretechnik zu fördern, die Beiträge und Forschungsnetzwerke zu synthetisieren und die Position Spaniens im europäischen und globalen Ökosystem der Quantensoftware zu stärken.
Dieses Paper stellt einen agenticen Rahmen für das ESG-Berichtswesen vor, der mithilfe von KI-Agenten und Large Language Models den gesamten Lebenszyklus von der Identifizierung bis zur Verbesserung automatisiert, um statische Berichterstattung in ein dynamisches und anpassungsfähiges System für Nachhaltigkeitsgovernance zu verwandeln.
Diese Arbeit stellt eine kollaborative Forschungsplattform vor, die KI-gestützte agile Entwicklung durch projektbasierte Bildung in einem realitätsnahen Umfeld mit Sprint-Rhythmen und Qualitätskontrollen verbindet, um zeitnahe und wiederverwendbare Evidenz für die Praxis zu generieren.
Die Arbeit stellt LabConstrictor vor, ein Tool, das Jupyter-Notebooks mithilfe von CI/CD-Automatisierung in einfach installierbare Desktop-Anwendungen verwandelt, um die Verbreitung und Wiederverwendung von Open-Source-Software in den Lebenswissenschaften durch vereinfachte Distribution und eine benutzerfreundliche Oberfläche zu fördern.
Die Arbeit stellt das „Nurture-First Development"-Paradigma vor, das die Entwicklung von Domänen-Expert-AI-Agenten durch einen iterativen, konversationsbasierten Prozess der Wissenskristallisation statt durch starre, vorab definierte Engineering-Phasen ermöglicht.
Diese Studie untersucht an 81 Studierenden, wie Stimmung, Lebensumstände und Gruppendynamiken die Wahrnehmung von Sentiment in Softwareprojekten beeinflussen, und zeigt, dass die Sentiment-Einschätzung stark von der individuellen Person und der Mehrdeutigkeit der Aussagen abhängt, während systematische Effekte von Projektphasen oder einzelnen Faktoren kaum nachweisbar sind.
Die Arbeit stellt STADA vor, ein spezifikationsbasiertes Testframework für autonome Fahragenten, das Szenarien systematisch aus formalen LTLf-Spezifikationen generiert und dabei im Vergleich zu bestehenden Baselines eine deutlich höhere Abdeckung bei gleichzeitig deutlich reduziertem Simulationsaufwand erreicht.
Das Paper stellt TOSSS vor, ein auf CVE-Daten basierendes Benchmark-System zur Bewertung der Fähigkeit von Large Language Models, sichere von anfälligen Code-Snippets in C/C++ und Java zu unterscheiden, wobei die getesteten Modelle Sicherheitswerte zwischen 0,48 und 0,89 erreichten.
Diese Studie zeigt, dass die Integration von Künstlicher Intelligenz, insbesondere durch maschinelles Lernen und natürliche Sprachverarbeitung, als Katalysator für Innovation in der Softwareentwicklung wirkt, indem sie repetitive Aufgaben automatisiert und bestehende Agile-Praktiken optimiert, um Qualität und Geschwindigkeit unter sich ständig wandelnden Anforderungen zu sichern.
Diese Arbeit stellt einen umfassenden Überblick über 178 Benchmarks für Code-LLMs und Agenten aus der Perspektive des Softwareentwicklungslebenszyklus (SDLC) bereit, deckt dabei eine signifikante Ungleichgewichtigkeit auf, bei der die Implementierungsphase stark überrepräsentiert ist, während Anforderungsanalyse und Design vernachlässigt werden, und identifiziert zudem kritische Lücken bei Anti-Kontaminationsstrategien sowie zukünftige Forschungsrichtungen.
Diese Studie führt eine systematische Literaturanalyse von über 2.500 Quellen durch, um ein Klassifizierungsrahmenwerk für „Systeme getwinnter Systeme" zu entwickeln, das die Paradigmen der System-of-Systems und der Digitalen Zwillinge integriert.
Dieses Papier stellt eine strukturierte Methodik vor, die das SysML-Metamodell MeROS mit dem V-Modell kombiniert, um die semantische Kohärenz und strukturelle Rückverfolgbarkeit bei der Entwicklung komplexer, ROS-basierter Robotersysteme im Rahmen des modellbasierten Systemsingenieurwesens (MBSE) zu gewährleisten.
Das Paper stellt UniCoR vor, ein neuartiges selbstüberwachtes Framework, das durch multi-perspektivischen kontrastiven Lernansatz und konsistente Verteilungslernen robuste, modalkollaborative und sprachunabhängige Code-Repräsentationen für die hybride, quersprachige Code-Retrieval entwickelt und damit bestehende Baseline-Modelle signifikant übertrifft.
Diese Studie entwickelt einen strukturierten, wiederverwendbaren Ansatz für Sicherheitsfälle bei KI-Systemen, der durch spezifische Taxonomien und Vorlagen die dynamischen und emergenten Risiken moderner generativer KI adressiert, um traditionelle, starre Methoden aus anderen Hochrisikobereichen zu ergänzen.
Das Paper stellt SWE-MiniSandbox vor, eine leichte, containerfreie Methode zur skalierbaren Reinforcement-Learning-Training von Software-Engineering-Agenten, die durch Kernel-isolierte Workspaces und Pre-Caching-Techniken den Speicherbedarf und die Vorbereitungszeit im Vergleich zu herkömmlichen Container-Ansätzen drastisch reduziert, ohne die Leistung zu beeinträchtigen.
Die Studie zeigt, dass aktuelle große Sprachmodelle beim automatischen Beheben von Softwarefehlern nicht effektiv über lange Kontexte hinweg reasoning können, da ihre Erfolge in Agenten-Workflows eher auf der Zerlegung von Aufgaben in kurze Kontextschritte beruhen als auf einer echten Verarbeitung umfangreicher Codebasen.
Die Arbeit stellt den ToCS-Benchmark vor, der zeigt, dass KI-Code-Agenten beim Verständnis von Softwarearchitekturen in mehrdateigen Umgebungen oft scheitern, wobei ihre Fähigkeit zur aktiven Exploration, zur Nutzung strukturierter Glaubenszustände und zur Konsistenz des Wissens stark vom jeweiligen Modell abhängt.