这项系统文献综述研究了 MDE 和机器学习（MDE4ML）交叉领域，分析了现有的研究动机、MDE 解决方案、评估技术、关键优势和局限性，并提供了未来研究的建议。

Nov, 2023

本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

Mar, 2022

本文提出了一种通过将模型转换集成到形式化机器学习任务中，以生成可执行代码来扩展以前的工作的方法，以便在不需要修改代码生成器的情况下集成代码生成的扩展和更改。通过对天气预报的案例研究进行可行性评估，并评估和讨论模型转换的质量属性，表明了该方法的灵活性和简单性，减少了实施的工作量，并为标准化实践中的数据驱动工程实现建立了理论基础。

Jul, 2023

本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

Jul, 2023

使用模型驱动工程的系统建模语言 SysML 对机器学习任务进行协同定义的方法能够整合不同数据源，定义语义连接、数据处理步骤，从而将机器学习的特性整合到系统工程技术中，促进了各个领域的知识整合，实现了将机器学习引入工业界的目标。

Jul, 2023

本研究旨在提出一种综合方法，将软件工程和人工智能社区的模型结合起来，实现驱动智能系统的模型驱动软件开发，主要着重于物联网领域，并通过案例研究和用户评估验证了该方法的可行性和性能提升。

Jul, 2021

我们提供了一个原型工具，利用模型驱动工程（MDE）和大型语言模型（LLM）的协同作用，以实现汽车行业软件开发过程的自动化。在这种方法中，用户提供的输入是自由形式的文本需求，首先使用 LLM 将其转换为 Ecore 模型实例表示，然后使用对象约束语言（OCL）规则检查其一致性。在成功的一致性检查后，模型实例被作为输入提供给另一个 LLM，以进行代码生成。所生成的代码在一个紧急制动场景的模拟环境中，通过连接到一个示例的集中式车辆架构的 CARLA 模拟器进行评估。

Apr, 2024

本文介绍了一个系统性文献综述，旨在探讨当前 End-User Development 对于人工智能系统的景观，即如何使用户即使没有 AI 和 / 或编程技能，亦可定制 AI 行为以满足其需求。本研究还讨论了 EUD 面临的当前挑战，潜在的益处以及将 EUD 整合到整个 AI 开发过程中的未来影响。

Apr, 2023

人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工，在此背景下，自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起，旨在自动化构建端到端的人工智能 / 机器学习流水线，这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究，填补了这些信息缺口，并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型，并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。

Jul, 2023

本研究旨在研究人工智能（AI）和机器学习（ML）应用程序的开发过程，为其提供最佳支持环境，并构建了一个使用深度学习技术进行数据增强的框架来解决数据不足的问题。

Apr, 2023