MétaCan
Menu
Constructeur de cohorte

4 299 418 travaux, canadiens par l’une de quatre routes.

Chaque état de filtre est une URL; l’URL est la requête; la requête est citable via /q/⟨hash⟩. La page, l’API et l’export analysent les mêmes paramètres.

La cohorte courante, diffusée en continu depuis la base de données : toutes les colonnes des travaux, les étiquettes machine, les scores provisoires et l'état de validation de chaque rangée. Les exportations sont plafonnées à 100 000 rangées. Crée un lien /q/ permanent pour cette requête exacte. Les mêmes filtres produisent toujours le même lien, qui que soit le demandeur.

Terme de recherche
Auteur ou autrice
Période
Ordre
Langue
Type
Domaine
Revue
International Conference on Learning Representations
Sujet
Rétractation
Résumé
Source des données probantes
Devis d'étude
Accord des étiquettes
État des étiquettes

Les étiquettes directes de Codex et Gemma sont non validées et clairsemées. Les prédictions distillées couvrent la base complète et sont elles aussi non validées. Choisissez explicitement la source; l'absence d'une étiquette directe n'est jamais une étiquette négative.

affaffiliation
fundbailleur
venuerevue
aboutsujet

Les quatre voies se composent : exigez la voie du financement et excluez l'affiliation pour obtenir la strate financée-seulement qu'aucune base fondée sur l'affiliation ne voit jamais.

80 résultats · 1 filtre actif ·
Résultats par année
20132021
Date de publication
Catégories
Étiquettes machine · couverture clairsemée
Preuves
Langue
Type
Citations
Un travail non étiqueté est inconnu, pas un négatif. La couverture est rapportée à chaque requête.
80 travaux dans la cohorte · sur 4 299 418page 1 sur 2

Les étiquettes couvrent 0 des 80 travaux de cette cohorte. Les autres sont non étiquetés, ce qui n'est pas une étiquette négative : la table des étiquettes est clairsemée aujourd'hui et s'enrichit au fil des rondes d'étiquetage.

Les prédictions distillées couvrent 80 des 80 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le mode candidate est l'union; le consensus est l'intersection.

affnon étiqueté
Optimization as a Model for Few-Shot Learning
Sachin Ravi, Hugo Larochelle
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · sts+scholarly_communicationconsensus · aucune
2 447
citations
affnon étiqueté
How to Construct Deep Recurrent Neural Networks
Razvan Pascanu, Çağlar Gülçehre, Kyunghyun Cho, Yoshua Bengio
2014· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
582
citations
affnon étiqueté
A Structured Self-Attentive Sentence Embedding.
Zhouhan Lin, Minwei Feng, Cícero Nogueira dos Santos, Mo Yu, Bing Xiang, Bowen Zhou +1 autres
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
365
citations
affsans résuménon étiqueté
Char2Wav: End-to-End Speech Synthesis
Jose Sotelo, Soroush Mehri, Kundan Kumar, João Felipe Santos, Kyle Kastner, Aaron Courville +1 autres
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · scholarly_communication+insufficient_payloadconsensus · insufficient_payload
335
citations
affsans résuménon étiqueté
Multiple-Attribute Text Rewriting.
Guillaume Lample, Sandeep Subramanian, Eric M. Smith, Ludovic Denoyer, Marc’Aurelio Ranzato, Y-Lan Boureau
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
192
citations
affsans résuménon étiqueté
Deep reinforcement learning with relational inductive biases
Vinícius Zambaldi, David Raposo, Adam Santoro, Victor Bapst, Yujia Li, I. Babuschkin +10 autres
2018· article· en· International Conference on Learning Representations· Neuroscience
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
136
citations
affnon étiqueté
Language GANs Falling Short
M. Caccia, Lucas Caccia, William Fedus, Hugo Larochelle, Joëlle Pineau, Laurent Charlin
2020· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
89
citations
affsans résuménon étiqueté
Learning to Learn with Conditional Class Dependencies
Xiang Jiang, Mohammad Havaei, Farshid Varno, Gabriel Chartrand, Nicolas Chapados, Stan Matwin
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
55
citations
affnon étiqueté
Graph HyperNetworks for Neural Architecture Search.
Wenjun Zhang, Mengye Ren, Raquel Urtasun
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
53
citations
affsans résuménon étiqueté
A new dog learns old tricks: RL finds classic optimization algorithms
Weiwei Kong, Christopher Liaw, Aranyak Mehta, D. Sivakumar
2019· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · insufficient_payload
29
citations
affnon étiqueté
Reinterpreting Importance-Weighted Autoencoders
Chris Cremer, Quaid Morris, David Duvenaud
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
19
citations
affsans résuménon étiqueté
Finding Flatter Minima with SGD
Stanisław Jastrzȩbski, Zachary Kenton, Devansh Arpit, Nicolas Ballas, Asja Fischer, Yoshua Bengio +1 autres
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
18
citations
affsans résuménon étiqueté
Modeling the Long Term Future in Model-Based Reinforcement Learning
Nan Rosemary Ke, Amanpreet Singh, Abdelaziz Touati, Anirudh Goyal, Yoshua Bengio, Devi Parikh +1 autres
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
18
citations
affnon étiqueté
FigureQA: An Annotated Figure Dataset for Visual Reasoning
Samira Ebrahimi Kahou, Adam Atkinson, Vincent Michalski, Ákos Kádár, Adam Trischler, Yoshua Bengio
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · sts+scholarly_communicationconsensus · aucune
16
citations
affnon étiqueté
Progressive Memory Banks for Incremental Domain Adaptation
Nabiha Asghar, Lili Mou, Kira A. Selby, Kevin D. Pantasdo, Pascal Poupart, Xin Jiang
2020· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
15
citations
affnon étiqueté
Online Bayesian Transfer Learning for Sequential Data Modeling
Priyank Jaini, Zhitang Chen, Pablo Carbajal, Edith Law, Laura E. Middleton, Kayla Regan +4 autres
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
14
citations
affnon étiqueté
Convergence of Gradient Methods on Bilinear Zero-Sum Games
Guojun Zhang, Yaoliang Yu
2020· article· en· International Conference on Learning Representations· Decision Sciences
prédiction distillée:candidate · metaresearch+insufficient_payloadconsensus · insufficient_payload
13
citations
affnon étiqueté
Conservative Safety Critics for Exploration
Homanga Bharadhwaj, Aviral Kumar, Nicholas Rhinehart, Sergey Levine, Florian Shkurti, Animesh Garg
2021· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
12
citations
affsans résuménon étiqueté
Gradient-based Optimization of Neural Network Architecture.
Will Grathwohl, Elliot Creager, Seyed Kamyar Seyed Ghasemipour, Richard S. Zemel
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
9
citations
affnon étiqueté
Learning to encode motion using spatio-temporal synchrony
Kishore Konda, Roland Memisevic, Vincent Michalski
2014· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
7
citations
affnon étiqueté
Reproducibility in Machine Learning for Health
Matthew B. A. McDermott, Shirly Wang, Nikki Marinsek, Rajesh Ranganath, Marzyeh Ghassemi, Luca Foschini
2019· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
6
citations
affnon étiqueté
Boundary Seeking GANs
R Devon Hjelm, Athul Paul Jacob, Adam Trischler, Gerry Che, Kyunghyun Cho, Yoshua Bengio
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
6
citations
affsans résuménon étiqueté
An Evaluation of Fisher Approximations Beyond Kronecker Factorization
César Laurent, Thomas George, Xavier Bouthillier, Nicolas Ballas, Pascal Vincent
2018· article· en· International Conference on Learning Representations· Physics and Astronomy
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
5
citations

En coulisses: Sélection · Constats · À propos