EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

yProv4ML: Effortless provenance tracking for machine learning systems

G. Padovani, V. Anantharaj, S. Fiore

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.

AbstractBibliografische AngabenZitierenVerwandte Studien

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}
}
Kostenlos starten →