- 关于学习方法在持续集成中应用的系统文献综述
该研究综述了持续集成领域中基于学习的方法，探讨了自动化持续集成任务的分析以及相关技术和指标的应用和缺陷，为研究人员和从业者提供了有价值的洞见，并强调了在持续集成中进一步研究这些方法的重要性。
- 基于强化学习的连续集成跳过检测方法
该研究提出了一种利用深度强化学习技术构建最优决策树分类器的新型解决方案，以解决数据不平衡的问题，并通过对托管在 GitHub 上的多样化的开源项目进行内部和跨项目验证基准测试来展示了与现有最先进方法相比具有较好结果。
- 机器学习项目如何使用持续集成实践？基于 GitHub Actions 的实证研究
对 185 个开源项目进行综合分析，发现机器学习项目在持续集成方面存在独特挑战，如建立时间更长、测试覆盖率较低以及构建时间趋势增加的问题。研究通过定量和定性分析揭示了持续集成在机器学习和传统项目中的差异和讨论的主题。
- Atlassian 平台下 CI 构建失败预测的从业者挑战和感知
通过对 Atlassian 的实证研究，我们发现仓库维度是影响 CI 构建失败的关键因素。此外，我们的定性调查表明，Atlassian 的开发人员将 CI 构建失败视为实践中的挑战。此外，我们还发现 CI 构建预测不仅可以提供对 CI 构建 - PACE：连续性性能预测的程序分析框架
PACE 是一个程序分析框架，通过映射功能测试用例的执行时间来提供关于挂起代码更新的性能影响的持续反馈，并使用代码风格特征的微基准测试和预测器来实现显著的代码性能预测。
- 机器学习在持续集成中的应用的系统文献综述
本研究对机器学习在持续集成中的应用进行了系统综述，探讨了其数据工程、特征工程、超参数调整、评估方法等方面。研究提供了研究者和从业者在持续集成中应用机器学习方法的有价值的见解，强调在这一领域需要进一步研究。
- 敏捷开发中的人工智能：一项元分析
研究人工智能与敏捷软件开发方法的整合，重点是改善持续集成和交付，发现了人工智能未来应用的关键挑战，如需要专业的社会技术专业知识。尽管人工智能有助于提高软件开发实践，但需要进一步研究其对进程和实践者的影响，并解决与其实施相关的间接挑战。
- 机器学习与持续集成
本文对机器学习在自动化持续集成（CI）阶段中的应用进行了系统性知识总结，旨在弥补现有解决方案中的不足并推动领域技术的发展。
- 软件测试中的人工智能：影响、问题、挑战和前景
本研究旨在探讨人工智能技术在软件测试活动和方面中的影响，以及 AI 在软件测试领域未来的一些关键贡献和应用面临的挑战。
- 测试用例优先级排定的强化学习
本文综合考察了基于强化学习技术的持续集成环境下测试用例优先级排序问题，结果表明该方法优化了测试用例的排序，使得测试用例优先级排序更加接近最优解，为 CI 环境下的测试用例优先级排序技术提供了新的思路。
- 连续集成中的自动测试用例优先级和选择的强化学习
该论文介绍了一种新的自动学习测试案例选择和优先排序的方法，Retecs 和应用于三个实际案例研究表明，强化学习在持续集成和回归测试中能够实现有益的自动自适应测试案例选择和排序。