Open Access · CC BY-NC 4.0
yProv4ML: Effortless provenance tracking for machine learning systems
SoftwareX · 2025-09 · 31 · 102298
DOI: 10.1016/j.softx.2025.102298 ↗Kurz gefasst
Fachartikel in der Zeitschrift SoftwareX, 2025-09. Verfasst von G. Padovani und 2 weiteren Autor:innen. Die Arbeit wurde bisher 10-mal zitiert (Crossref) und nennt 21 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0). Gefördert von: Oak Ridge National Laboratory, European Commission, University of Trento.
Abstract (Originalsprache)
Kein Abstract verfügbar.
Förderung
- Oak Ridge National Laboratory
- European Commission
- University of Trento
- U.S. Department of Energy
- Ministero dell’Istruzione, dell’Università e della Ricerca
- Office of Science
Zitieren
APA
Padovani, G., Anantharaj, V., & Fiore, S. (2025). yProv4ML: Effortless provenance tracking for machine learning systems. SoftwareX, 31, 102298. https://doi.org/10.1016/j.softx.2025.102298
Vancouver
Padovani G, Anantharaj V, Fiore S. yProv4ML: Effortless provenance tracking for machine learning systems. SoftwareX. 2025;31:102298. doi:10.1016/j.softx.2025.102298
BibTeX
@article{Padovani2025,
author = {Padovani, G. and Anantharaj, V. and Fiore, S.},
title = {yProv4ML: Effortless provenance tracking for machine learning systems},
journal = {SoftwareX},
year = {2025},
volume = {31},
pages = {102298},
doi = {10.1016/j.softx.2025.102298}
}
EUVIMED