A systematic literature review on the code smells datasets and validation mechanisms
School of Computer Engineering, Iran University of Science and Technology（伊朗科技大学计算机工程学院）；University of Salerno（萨勒诺大学）
本文系统综述45个代码坏味数据集，分析其规模、严重程度、项目类型和样本比例等属性及验证机制，指出现有数据集存在类别覆盖不足、样本不平衡、缺少严重程度且局限于Java等问题。
2023-06-02 cs.AI cs.PL cs.SE
Clean Code, Better Models: Enhancing LLM Performance with Smell-Cleaned Dataset
本文首次系统研究代码坏味对LLM输入输出质量的影响，提出清理工具SmellCC并构建清理后数据集微调模型，验证其在代码补全与搜索任务中的价值。
2025-08-16 cs.SE
Defect prediction with bad smells in code
背景资料：软件中的缺陷预测对于开发项目来说是非常有益的，因为预测是非常有效的，并且容易出现缺陷的区域被正确地预测。获得有效的软件缺陷预测的关键因素之一是正确选择用于数据集准备的度量。目的：本研究的目的是验证，是否代码气味度量，收集使用Microsoft CodeAnalysis工具，添加到基本度量集，可以提高缺陷预测在工业软件开发项目。结果如下：我们验证了，如果数据集扩展的代码气味来源的指标，改变缺陷预测的有效性，通过比较预测结果的数据集与代码气味导向的指标。结果，我们观察到，当使用用难闻气味度量扩展的数据集时，缺陷预测的有效性只有很小的提高：平均准确度值增加了0.0091，并保持在误差范围内。然而，当仅使用基于代码气味的度量用于预测（没有基本度量集）时，这样的过程产生了令人惊讶的高准确度（0.8249）和F测量（0.8286）结果。我们还详细阐述了当使用两个不同的度量源来准备一组一致的数据时，我们观察到的数据异常和问题。结论：通过代码气味源度量扩展数据集不会显着提高预测效率。取得的结果并不能补偿收集额外指标所需的努力。然而，我们观察到，仅基于代码气味的缺陷预测仍然非常有效，特别是在几乎不使用其他度量的情况下可以使用。
2017-03-18 cs.SE
An Extensive Study on Smell-Aware Bug Localization
错误定位是软件维护的一个重要方面，因为它可以定位应该修改以修复特定错误的模块。我们以前的研究表明，信息检索（IR）为基础的错误定位技术的准确性提高时，结合使用代码气味信息。虽然这种技术显示出了希望，但该研究显示出有限的实用性，因为：1）数据集中的项目数量很少，2）气味信息的类型，以及3）用于评估的基线错误定位技术。本文介绍了我们以前的实验Bench4BL，最大的错误本地化基准数据集可用于错误本地化的扩展。此外，我们推广的气味感知的错误定位技术，允许不同的配置的气味信息，这是结合各种错误定位技术。我们的研究结果证实，我们的技术可以提高性能的IR为基础的错误定位技术的类级别，即使在大型数据集进行处理。此外，由于气味信息的优化配置，我们的技术可以提高大多数国家的最先进的错误定位技术的性能。
2021-04-22 cs.SE
Design Smells in Deep Learning Programs: An Empirical Study
Polytechnique Montréal（蒙特利尔理工学院）
如今，我们正在见证许多行业越来越多地采用基于深度学习（DL）的软件系统。设计深度学习程序需要构建深度神经网络（DNN），然后在数据集上训练它。这个过程要求开发人员进行多个架构（例如，层的类型、大小、数量和顺序）和配置（例如，优化器、正则化方法和激活函数）选择，这些选择影响DL模型的质量，并因此影响软件质量。一个未充分指定或设计不良的DL模型可能会成功地进行训练，但在部署到生产中时可能会表现不佳。DL程序中的设计气味是在DL组件开发期间做出的糟糕的设计和/或配置决策，这些决策可能对性能产生负面影响（即，预测精度），然后是基于DL的软件系统的质量。在本文中，我们提出了一个流行的DL架构，即深度前馈神经网络，这是广泛应用于工业应用的8个设计气味的目录。通过对DL设计现有文献的回顾和对659个存在性能问题和设计效率低下的DL程序的手动检查，确定了设计气味。气味是通过描述它们的上下文、后果和推荐的重构来指定的。为了提供经验证据的相关性和感知的影响，建议的设计气味，我们进行了一项调查，81 DL开发。一般来说，开发人员认为所提出的设计气味反映了设计或实现问题，一致性水平在47%和68%之间变化。
2021-07-07 cs.LG cs.SE
A systematic literature review on logging smell detection
King Saud University（沙特国王大学）
本文通过对21项相关研究的系统文献综述，梳理日志气味检测的技术、数据集与评估方法，指出现有研究存在分散不一致的问题，并提出未来改进方向。
2026-09-07 cs.SE
Towards Automated Detection of Inline Code Comment Smells
本文通过增强已标注行内注释数据集，比较七种ML模型与GPT 4的注释坏味分类性能，Random Forest以69%准确率和0.44 MCC建立基线。
2025-08-29 cs.SE
Multimodal Conversational AI: A Survey of Datasets and Approaches
Georgia Institute of Technology（佐治亚理工学院）
作为人类，我们用所有的感官或方式（声音、视觉、触觉、嗅觉和味觉）来体验世界。我们使用这些方式，特别是视觉和触觉，来传达和解释特定的含义。多模态表达是对话的核心;丰富的模态集可以相互放大，并经常相互补偿。多模态对话AI系统通过多种模态理解和表达自己来回答问题，完成任务并模拟人类对话。本文激发、定义并以数学方式制定了多模态会话研究目标。我们提供了解决目标所需的研究分类：多模态表示，融合，对齐，翻译和共同学习。我们调查了每个研究领域最先进的数据集和方法，并强调了它们的限制性假设。最后，我们将多模态协同学习确定为多模态会话AI研究的一个有前途的方向。
2022-05-13 cs.LG
A Feature Dataset of Microservices-based Systems
本文针对微服务坏味道检测缺乏开源特征数据集的问题，收集多个Spring Cloud微服务系统，建立特征度量指标并开发提取程序，经人工验证后构建并公开了一个微服务特征数据集。
2024-04-02 cs.SE
Cache-Related Smells in GitLab CI/CD: Comprehensive Catalog, Automated Detection, and Empirical Evidence
University of Vienna（维也纳大学）
本文研究GitLab CI/CD中的缓存问题，提出十种缓存相关问题的全面目录，并通过CROSSER工具自动检测其中七种，实证显示这些问题在大量项目中普遍存在。
2026-04-20 cs.SE
How Do Communities of ML-Enabled Systems Smell? A Cross-Sectional Study on the Prevalence of Community Smells
本研究通过分析188个开源ML仓库，发现社区异味（如Prima Donna Effects和Sharing Villainy）的流行度及时间变化，为ML项目经理改善团队协调提供支持。
2025-04-24 cs.SE
FedCSD: A Federated Learning Based Approach for Code-Smell Detection
Center for Applied Intelligent Systems Research（应用智能系统研究中心）；School of Information Technology（信息技术学院）；Halmstad University（哈尔姆斯塔德大学）；Prince Abdullah bin Ghazi Faculty of Information and Communication Technology（阿卜杜拉·本·加齐王子信息与通信技术学院）；Al-Balqa Applied University（巴尔卡应用大学）；Internet of Things and People Research Center（物联网与人研究中心）；Malmö University（马尔默大学）；Department of Computer Science（计算机科学系）；Blekinge Institute of Technology（布莱金厄理工学院）；Institute of Computer Science（计算机科学研究所）；Delta Research Centre（德尔塔研究中心）；University of Tartu（塔尔图大学）；SeSa Lab（SeSa实验室）；University of Salerno（萨勒诺大学）；Arab American University（阿拉伯美国大学）
本文提出FedCSD方法，通过联邦学习在保护数据隐私的前提下协作训练代码坏味检测模型，实验表明其全局模型准确率接近集中式训练且能避免技术债务。
2024-03-26 cs.AI cs.LG cs.SE
When Code Smells Meet ML: On the Lifecycle of ML-specific Code Smells in ML-enabled Systems
本研究针对ML赋能系统质量保障方法不足的问题，提出研究计划，将通过构建新型检测器CodeSmell，分析337个项目的40余万次提交，探究ML特定代码异味的 prevalence、引入移除机制及存活周期。
2024-03-13 cs.SE
Data Smells: Categories, Causes and Consequences, and Detection of Suspicious Data in AI-based Systems
University of Innsbruck（因斯布鲁克大学）；Blekinge Institute of Technology（布莱金厄理工学院）；Software Competence Center Hagenberg GmbH（哈根贝格软件能力中心有限公司）
高数据质量是当今基于AI的系统的基础。然而，尽管几十年来数据质量一直是研究的对象，但显然缺乏对潜在数据质量问题的研究（例如，模糊的、无关的值）。这类问题本质上是潜在的，因此往往不明显。然而，它们可能与基于AI的系统中未来问题的风险增加有关（例如，技术债务、数据引起的故障）。作为软件工程中代码气味的对应物，我们将此类问题称为数据气味。本文对数据气味进行了概念化，并详细阐述了它们的原因、后果、检测以及在基于AI的系统中的使用。此外，36个数据气味的目录分为三类（即，可信性气味，可理解性气味，一致性气味）。此外，本文还概述了检测数据气味的工具支持，并展示了在240多个真实数据集上进行初始气味检测的结果。
2022-06-16 cs.AI cs.SE
Detecting Requirements Smells With Deep Learning: Experiences, Challenges and Future Work
University of Stuttgart（斯图加特大学）
需求工程（RE）是构建软件系统的第一步。软件项目的成功或失败与此阶段紧密相关，基于涉众之间使用自然语言的沟通。自然语言的问题是，如果相关利益相关者没有精确表达，它很容易导致不同的理解，从而导致构建与预期不同的产品。以前的工作提出了提高质量的软件需求检测语言错误的基础上ISO 29148要求的语言标准。现有的解决方案应用经典的自然语言处理（NLP）来检测它们。NLP有一些局限性，如领域的可靠性，导致泛化能力差。因此，这项工作旨在通过创建手动标记的数据集并使用集成学习，深度学习（DL）以及词嵌入和迁移学习等技术来改进以前的工作，以克服与经典NLP相关的泛化问题，并使用手动标记的数据集提高精度和召回率指标。目前的研究结果表明，数据集是不平衡的，哪些类的例子应该增加。即使数据集不具有很大的代表性，训练算法也是很有吸引力的。因此，结果表明模型是过拟合的;在机器学习中，通过向数据集添加更多的实例，提高标签质量，去除噪声和降低学习算法复杂度来解决这个问题，这是本研究计划的。
2021-08-06 cs.LG cs.SE
Can I use this publicly available dataset to build commercial AI software? -- A Case Study on Publicly Available Image Datasets
Centre for Software Excellence, Huawei Canada（华为加拿大卓越软件中心）；Lassonde School of Engineering, York University（约克大学拉松德工程学院）；Huawei China（华为中国）；University of Victoria（维多利亚大学）
公开可用的数据集是商业AI软件的关键驱动力之一。公开数据集的使用受数据集许可证的约束。这些数据集许可证概述了一个人对给定数据集享有的权利，以及在不违反任何许可证合规性的情况下享有这些权利所必须履行的义务。与标准化的开源软件（OSS）许可证不同，现有的数据集许可证是以临时方式定义的，并且没有明确概述与其使用相关的权利和义务。此外，公共数据集可以被托管在多个位置中并且从多个数据源创建，每个数据源可以具有不同的许可证。因此，不能使用检查OSS许可证合规性的现有方法。在本文中，我们提出了一种新的方法来评估潜在的许可证合规违规行为，如果一个给定的公开数据集被用于构建商业AI软件。我们使用我们的方法对6个常用的公开图像数据集进行了案例研究。我们的研究结果表明，如果将所有研究的数据集用于商业目的，则存在违反许可证的潜在风险。
2022-04-11 cs.AI cs.LG cs.SE
A GNN-Based Approach for Code Smell Detection and Refactoring Opportunity Identification
Waseda University（早稻田大学）
本文提出基于图神经网络的代码异味重构方法，设计两类输入图并结合图分类和节点分类任务，针对长方法、大类和特征 envy 三种代码异味进行重构，实验表明方法在传统和先进深度学习方法中表现优异。
2026-10-20 cs.SE stat.ME
ShizhenGPT: Towards Multimodal LLMs for Traditional Chinese Medicine
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Freedom AI；National Health Data Institute, Shenzhen（深圳国家健康数据研究院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Guangdong University of Technology（广东工业大学）
针对中医药领域大语言模型应用面临的数据稀缺和诊断多模态特性两大挑战，提出首个定制化多模态LLM ShizhenGPT，构建大规模中医药数据集并通过预训练与微调实现，在资格考试和视觉任务中表现优异，为中医药多模态诊断提供支撑。
2025-08-20 cs.AI cs.CL cs.CV
Towards a Taxonomy of Software Log Smells
University of Luxembourg（卢森堡大学）；University of Sheffield（谢菲尔德大学）
本研究提出日志恶臭的分类，旨在帮助开发人员编写更高质量的日志代码，并通过现有工具识别研究空白。
2026-10-13 cs.SE
An Empirical Study of Interaction Smells in Multi-Turn Human-LLM Collaborative Code Generation
本文通过分析真实用户-大语言模型交互数据，揭示多轮协作代码生成中的交互恶臭现象，提出InCE框架以提升交互质量。
2026-03-30 cs.SE
Data Preparation for Deep Learning based Code Smell Detection: A Systematic Literature Review
本系统文献综述分析了36篇相关论文，探讨了基于深度学习的代码异味检测中的数据准备技术，总结了数据集构建的关键考量、七大挑战与解决方案，并提出了提升数据质量的建议。
2024-06-27 cs.SE
PaMIR: Open Benchmark of Public Credit-Default Datasets
PaMIR是一个开放基准，汇集19个公共信用违约数据集（124万样本），在标签稀缺且延迟到达场景下，通过到达时评分和标签预算报告AUC，为信用违约预测提供标准化评估。
2026-10-05 cs.LG
Investigating The Smells of LLM Generated Code
School of Engineering, Computing and Mathematics, Oxford Brookes University（工程、计算与数学学院，奥克斯福德布鲁克斯大学）
提出基于场景的代码坏味道评估方法，利用自动化系统比较四款 LLM 生成的 Java 程序与专业参考代码，发现其代码质量普遍较差且随任务复杂度上升。
2026-09-29 cs.AI cs.SE
A PRISMA Driven Systematic Review of Publicly Available Datasets for Benchmark and Model Developments for Industrial Defect Detection
Southern Illinois University（南伊利诺伊大学）
本文遵循PRISMA系统综述2015—2023年的15个工业缺陷检测公开数据集，评估其图像质量、缺陷类型与实际适用性，为基准和模型开发提供综合参考。
2024-06-11 cs.CV cs.LG
MaskIt: Masking for efficient utilization of incomplete public datasets for training deep learning models
University of Bremen（不来梅大学）
训练深度学习模型的一个主要挑战是缺乏高质量和完整的数据集。在本文中，我们提出了一种掩蔽方法，用于从公开但不完整的数据集中训练深度学习模型。例如，德国汉堡市维护了道路两旁的树木列表，但此数据集不包含有关私人住宅和公园中树木的任何信息。为了在这样的数据集上训练一个深度学习模型，我们用道路网络屏蔽了行道树和航拍图像。用于创建遮罩的道路网络从OpenStreetMap下载，它标记了训练数据可用的区域。掩码作为输入之一传递给模型，它也覆盖输出。我们的模型学习仅在掩蔽区域中成功预测树木，准确率为78.4%。
2020-06-22 cs.CV cs.LG
OnCoCo 1.0: A Public Dataset for Fine-Grained Message Classification in Online Counseling Conversations
本文提出OnCoCo 1.0数据集，用于细粒度在线心理咨询对话信息分类。该数据集包含38种咨询师和28种来访者类型，展示了多种模型的微调结果，为语言资源社区提供了新的细粒度对话资源。
2026-03-29 cs.CL cs.LG
Large Scale Organization and Inference of an Imagery Dataset for Public Safety
MIT Lincoln Laboratory（麻省理工学院林肯实验室）
视频应用和分析通常被预测为全国公共安全宽带网络的一项重要服务。作为NIST PSCR资助的工作的一部分，新泽西州国土安全和准备办公室和麻省理工学院林肯实验室一直在开发一个计算机视觉数据集的操作和代表性的公共安全场景。该数据集的规模和范围需要分层组织方法来实现高效的计算和存储。我们概述了使用林肯实验室超级计算集群作为测试架构的架构考虑。然后，我们描述了如何智能地组织LLSC中的数据集，并在TB级数据中使用大规模图像推理对其进行评估。
2019-08-16 cs.CV cs.LG eess.IV
Limitations of Public Chest Radiography Datasets for Artificial Intelligence: Label Quality, Domain Shift, Bias and Evaluation Challenges
研究指出公共胸部X光数据集在标签质量、领域偏移、偏见和评估方面存在局限，通过跨模型架构分析发现外部性能显著下降，且专家审查揭示标签存在显著分歧，强调需更公平的评估框架和临床验证数据集。
2026-03-16 cs.DL cs.LG
Exploring large scale public medical image datasets
The Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；The Royal Adelaide Hospital（皇家阿德莱德医院）
基本原理和目标：医疗人工智能系统依赖于特征良好的大规模数据集。最近发布的公共数据集引起了该领域的极大兴趣，但由于它们在数据生成和数据使用之间造成的脱节，可能限制了这些数据集的实用性，因此带来了特定的挑战。材料与方法：我们可视化地探索两个大型公共数据集，以确定所提供的标签的准确性以及是否存在其他微妙的问题。ChestXray 14数据集包含112，120张正面胸片，MURA数据集包含40，561张上肢X光片。来自两个数据集的约700张图像的子集由委员会认证的放射科医生进行审查，并确定原始标签的质量。结果如下：ChestXray 14标签不能准确反映图像的视觉内容，阳性预测值大多比原始文件中的值低10%至30%。还有其他重要的问题，例如隐藏分层和标签消歧失败。MURA标签更准确，但对于退行性关节疾病病例子集，原始正常/异常标签不准确，灵敏度为60%，特异性为82%。结论：图像的视觉检查是理解大型图像数据集的必要组成部分。我们建议制作公共数据集的团队应该执行这一重要的质量控制程序，并在其数据集的文档中包括对其发现的全面描述，以及对数据生成程序和标签规则的解释。
2019-07-30 cs.CV cs.LG eess.IV
BharatGather: A Culturally-Informed Benchmark Dataset for Misinformation and Fake News Detection in Indian Public Events
L3Cube-Labs（L3Cube实验室）
该研究针对印度公共事件虚假信息检测缺乏文化感知基准的问题，构建了含14646条记录的BharatGather数据集，为开发相关检测系统及评估其性能提供了基准。
2026-09-04 cs.CL cs.LG
AI builds, We Analyze: An Empirical Study of AI-Generated Build Code Quality
University of Michigan-Deaborn（密歇根大学迪尔伯恩分校）；University of Michigan-Flint（密歇根大学弗林特分校）
本研究通过分析AI生成的构建代码质量，探讨其在构建系统中的影响，并发现AI生成代码既可能引入质量问题，也部分消除了现有问题，同时大部分代理提交被开发者接受。
2026-01-23 cs.SE
Avast-CTU Public CAPE Dataset
Avast Software（Avast软件公司）
有一个有限的公开可用的数据，以支持在恶意软件分析技术的研究。特别是，几乎没有公开的数据集是由Cuckoo/CAPE等丰富的沙箱生成的。使用动态沙箱的好处是可以真实地模拟目标机器中的文件执行，并获得执行日志。机器可能被恶意软件感染，因此很有可能在执行日志中捕获恶意行为，从而使研究人员能够详细研究此类行为。虽然日志信息的后续分析在工业网络安全后端中得到了广泛的覆盖，但据我们所知，学术界在使用尖端技术推进此类日志分析能力方面投入的努力有限。我们提供此样本数据集，以支持设计用于恶意软件检测的新机器学习方法，特别是用于自动检测一般恶意行为。该数据集由Avast Software和捷克技术大学- AI中心（AIC）合作收集。
2022-09-06 cs.AI cs.CR cs.LG
On the Composition and Limitations of Publicly Available COVID-19 X-Ray Imaging Datasets
Luxembourg Centre for Systems Biomedicine（卢森堡系统生物医学中心）；University of Luxembourg（卢森堡大学）；National Dept. of Neurosurgery（国家神经外科部）；Centre Hospitalier de Luxembourg（卢森堡医院中心）
在过去的几个月里，基于机器学习的方法从成像数据中诊断和预测COVID-19的进展，特别是通过使用深度学习模型，获得了极大的关注。在这种情况下，提出了数百个模型，其中大多数是在公共数据集上训练的。数据稀缺、培训和目标人群之间的不匹配、群体不平衡以及缺乏文档是偏倚的重要来源，阻碍了这些模型在现实世界临床实践中的适用性。考虑到数据集是模型构建和评估的重要组成部分，需要对当前的景观有更深入的了解。本文概述了目前公开的COVID-19胸部X射线数据集。每个数据集进行了简要介绍，并确定了潜在的优势，局限性和数据集之间的相互作用。特别是，指出了当前数据集的一些关键属性，这些属性可能是偏见的潜在来源，损害了在这些数据集上训练的模型。这些描述对于在这些数据集上构建模型、根据模型目标选择最佳数据集、考虑特定限制以避免报告过度自信的基准结果以及讨论它们对特定临床环境中的泛化能力的影响非常有用
2020-08-26 cs.CV cs.LG eess.IV
fastMRI Breast: A publicly available radial k-space dataset of breast dynamic contrast-enhanced MRI
Weill Cornell Medical College（威尔康奈尔医学院）；New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；University Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）
该工作发布首个大规模乳腺DCE-MRI径向k空间与DICOM公开数据集，并附带病例级临床标签及重建代码，以推动快速定量乳腺图像重建和机器学习研究。
2024-06-07 cs.CV cs.LG eess.IV
A Systematic Review on Computer Vision-Based Parking Lot Management Applied on Public Datasets
Federal University of Paraná（巴拉那联邦大学）；Santa Catarina State University（圣卡塔琳娜州立大学）；Pontifícia Universidade Católica do Paraná（巴拉那天主教大学）
基于计算机视觉的停车场管理方法由于其灵活性和成本效益而得到广泛研究。为了评估这些方法，作者经常使用公开的停车场图像数据集。在这项研究中，我们调查和比较了专门用于测试基于计算机视觉的停车场管理方法的强大的公开可用的图像数据集，并因此对采用此类数据集的现有作品进行了系统和全面的审查。文献综述确定了需要进一步研究的相关差距，例如要求独立于车辆的方法和适合于自动检测停车位位置的方法。此外，我们注意到，在大多数研究中，几个重要的因素，如连续图像中存在相同的汽车，都被忽略了，从而使评估协议不切实际。此外，对数据集的分析还显示，在制定新基准时应该存在的某些功能，例如在夜间和雪地等更多样化条件下拍摄的视频序列和图像的可用性，尚未被纳入。
2022-03-12 cs.AI cs.CV cs.LG
SciNews: From Scholarly Complexities to Public Narratives -- A Dataset for Scientific News Report Generation
Saarland University（萨尔大学）
本文构建了涵盖九大学科的论文—科学新闻报道平行语料库 SciNews，分析二者差异并利用先进文本生成模型结合自动与人工评估建立基准。
2024-12-10 cs.AI cs.CL cs.LG
PILArNet: Public Dataset for Particle Imaging Liquid Argon Detectors in High Energy Physics
Argonne National Laboratory（阿贡国家实验室）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；Tufts University（塔夫茨大学）
机器学习解决方案的快速发展往往与测试公共数据集的产生相吻合。这些数据集减少了解决问题的最大障碍-获取数据-同时还提供了比较不同解决方案的基准。此外，大型数据集已被用来训练高性能的功能发现，然后在新的方法中使用的问题超出了最初定义。为了鼓励使用液态氩时间投影室，一类用于高能物理实验的粒子探测器收集的数据分析的快速发展，我们已经产生了PILArNet，第一个2D和3D开放数据集用于一对夫妇的关键分析任务。本文提供的初始数据集包含300，000个以三种不同体积大小模拟和记录的样本。该数据集以稀疏的2D和3D矩阵格式有效地存储，并提供有关体积中模拟颗粒的辅助信息，并可用于公共研究。在本文中，我们描述了数据集，任务和用于获取样本的方法。
2020-06-03 cs.CV cs.LG hep-ex
A new public Alsat-2B dataset for single-image super-resolution
Centre des Techniques Spatiales（空间技术中心）
目前，当可靠的训练数据集可用时，深度学习方法主导了图像超分辨率的解决方案。然而，对于遥感基准，获得高空间分辨率图像是非常昂贵的。大多数超分辨率方法使用下采样技术来模拟低和高空间分辨率对并构造训练样本。为了解决这个问题，本文介绍了一种新的公共遥感数据集（Alsat 2B）的低和高空间分辨率图像（分别为10米和2.5米）的单图像超分辨率任务。高分辨率图像是通过泛锐化。此外，一些超分辨率方法的性能进行评估的数据集上的基础上共同的标准。所获得的结果表明，所提出的方案是有前途的，并强调了数据集中的挑战，这表明需要先进的方法来把握低分辨率和高分辨率补丁之间的关系。
2021-03-21 cs.CV cs.LG eess.IV
Copycats: the many lives of a publicly available medical imaging dataset
IT University of Copenhagen（哥本哈根IT大学）；University of Copenhagen（哥本哈根大学）
本研究分析社区贡献平台上的公开医学影像数据集，揭示其在许可证、标识符、存储和元数据方面的治理缺陷，强调与计算机视觉数据集的差异及不良管理实践的下游危害，旨在促进负责任的数据管理。
2024-10-30 cs.CV cs.CY cs.DL
On the Viability of Requirements Generation From Code: An Experience Report
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文通过实验评估基于LLM和RAG的代理方法从源代码生成需求，发现LLM无法可靠生成未实现需求、高质量需求或引入需求气味，且单一人工难以检测气味，表明该方法尚不可行。
2026-06-25 cs.SE
MetaboNet: The Largest Publicly Available Consolidated Dataset for Type 1 Diabetes Management
Replica Health；Jaeb Center for Health Research；University of Pavia；University of Santa Barbara
本文提出MetaboNet数据集，整合多个公开的1型糖尿病管理数据集，提供标准化的连续血糖监测和胰岛素数据，以提升算法开发的通用性和可比性。
2026-04-22 cs.AI cs.LG cs.SY
Discogs-VI: A Musical Version Identification Dataset Based on Public Editorial Metadata
Universitat Pompeu Fabra（庞培法布拉大学）
本文利用 Discogs 公共编辑元数据构建大规模音乐版本识别数据集 Discogs-VI，并通过 YouTube 映射与基线模型验证其有效性。
2024-10-22 cs.SD eess.AS
RealClass: A Framework for Classroom Speech Simulation with Public Datasets and Game Engines
University of Maryland（马里兰大学）；Department of Electrical and Computer Engineering（电气与计算机工程系）；College of Education（教育学院）
针对课堂语音数据匮乏的问题，该研究提出用游戏引擎合成课堂噪声与RIR的可扩展方法，构建了结合合成噪声与公开语音的RealClass数据集，实验验证其能高度模拟真实课堂语音，可弥补真实数据不足。
2025-10-01 cs.AI cs.SD eess.AS
A manual categorization of new quality issues on automatically-generated tests
针对自动生成测试存在过往测试坏味未覆盖的质量问题这一研究空白，通过对2340个测试的人工分析与主题分类，提出含13类新问题的分类体系、其出现频率及8项质量提升建议。
2023-12-14 cs.SE
The Technical Debt Dataset
技术债分析越来越受欢迎，因为现在的研究人员和行业正在采用各种静态代码分析工具来评估他们的代码质量。尽管如此，软件项目的实证研究是昂贵的，因为需要时间来分析项目。此外，由于研究通常考虑不同的项目，因此很难比较结果。在这项工作中，我们提出了技术债务数据集，这是一组来自Apache软件基金会的33个Java项目的项目测量数据。在Technical Debt Dataset中，我们使用SonarQube分析了单独定义的时间范围内的所有提交，以收集Technical Debt信息，并使用Ptidej检测代码气味。此外，我们从git日志中提取了所有可用的提交信息，使用Refactoring Miner应用的重构，以及问题跟踪器（Jira）中报告的错误信息。使用这些信息，我们执行SZZ算法来识别错误诱导和修复提交。我们分析了来自选定的33个项目的78K提交，检测到180万个SonarQube问题，38K个代码气味，28K个错误和57K个重构。项目分析花了200多天。在本文中，我们描述了数据检索管道以及用于分析的工具。该数据集通过CSV文件和SQLite数据库提供，以方便对数据的查询。技术债务数据集旨在为技术债务研究开辟多种机会，使研究人员能够比较常见项目的结果。
2019-08-02 cs.SE
On the Effectiveness of Training Data Optimization for LLM-based Code Generation: An Empirical Study
School of Computer Software, Tianjin University（天津大学计算机科学与技术学院）；Kyushu University（九州大学）
本研究评估了训练数据优化技术对LLM代码生成效果的影响，发现数据合成在提升功能正确性和减少代码异味方面最有效，而数据合成与重构的组合表现最佳。
2025-12-31 cs.SE
Mining Architectural Quality Under Agentic AI Adoption: A Causal Study of Java Repositories
SDU Software Engineering, University of Southern Denmark（SDU软件工程，丹麦南部大学）
通过差分差分设计和Borusyak插值估计器，研究智能体AI工具采用对Java仓库架构气味密度（ASD）的因果影响，发现ASD下降6.7%源于代码量增长，而非架构改进。
2026-06-12 cs.AI cs.SE
Public Git Archive: a Big Code dataset for all
开源软件项目的数量呈指数级增长。主要的在线软件存储库主机GitHub已经积累了数千万个公开可用的Git版本控制存储库。虽然可用的开源代码所带来的研究潜力显然是巨大的，但并不存在重要的大规模开源代码数据集。在本文中，我们介绍了公共Git Archive -来自GitHub的182，014个顶级书签Git存储库的数据集。我们描述了新的数据检索管道来重现它。我们还详细介绍了执行数据集更新和法律问题的策略。公共Git Archive在磁盘上占用3.0 TB，比当前的源代码数据集大一个数量级。该数据集通过HTTP提供，并提供项目的源代码、相关元数据和开发历史。数据检索管道采用优化的工作队列模型和优化的归档格式来有效地存储分叉的Git存储库，从而减少下载和持久化的数据量。Public Git Archive旨在为“Big Code”研究开辟无数新机会。
2018-03-20 cs.SE
An Alternative Issue Tracking Dataset of Public Jira Repositories
组织使用问题跟踪系统（ITS）以问题为单位跟踪和记录其项目工作。这种风格的文档鼓励渐进式改进，因为每个问题都可以独立改进、评论、链接到其他问题，并通过组织工作流程取得进展。到目前为止，通常研究的ITS包括GitHub，GitLab和Bugzilla，而Jira是实践中最受欢迎的ITS之一，具有丰富的附加信息，尚未受到类似的关注。不幸的是，多样化的公共Jira数据集很少见，可能是由于难以找到和访问这些存储库。在这篇论文中，我们发布了一个包含16个公共Jira的数据集，其中包含1822个项目，跨越270万个问题，总共有3200万次更改，900万条评论和100万个问题链接。我们相信这个Jira数据集将导致许多富有成效的研究项目，调查问题演变，问题链接，跨项目分析，以及与现有的研究良好的ITS数据集相结合的跨工具分析。
2022-03-25 cs.SE
The Software Heritage Graph Dataset: Large-scale Analysis of Public Software Development History
Software Heritage是现存最大的软件源代码及其开发历史的公共档案。它涵盖了超过50亿个独特的源代码文件和10亿个独特的提交，来自8000多万个软件项目。这些软件工件是从主要的协作开发平台（例如，GitHub、GitLab）和包存储库（例如，PyPI，Debian，NPM），并存储在一个统一的表示链接在一起的源代码文件，目录，提交，和版本控制系统（DRM）存储库的完整快照，如软件遗产在定期爬网期间观察。这个数据集在可访问性和规模方面是独一无二的，并且允许探索公共软件开发长尾上的许多研究问题，而不是像经常发生的那样仅仅关注“最受欢迎”的存储库。
2020-11-16 cs.SE
SQuaD: The Software Quality Dataset
University of Oulu（奥卢大学）；University of Southern Denmark（南丹麦大学）；University of Milano-Bicocca（米兰-比科卡大学）
针对现有软件质量数据集维度有限的问题，提出多维度、时间感知的SQuaD数据集，集成9种静态分析工具、覆盖450个开源项目及63586个版本，提供丰富指标与数据，支持大规模软件质量实证研究并公开可用。
2025-11-14 cs.AI cs.CL cs.CR
