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
Sujet
Reinforcement Learning in Robotics
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.

1 145 résultats · 1 filtre actif ·
Résultats par année
20002025
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.
1 145 travaux dans la cohorte · sur 4 299 418page 10 sur 23

Les étiquettes couvrent 2 des 1 145 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 1 145 des 1 145 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
Solving Common-Payoff Games with Approximate Policy Iteration
Samuel Sokota, Edward Lockhart, Finbarr Timbers, Elnaz Davoodi, Ryan D'Orazio, Neil Burch +3 autres
2021· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
6
citations
affnon étiqueté
Off-policy Learning with Options and Recognizers
Doina Precup, Cosmin Păduraru, Anna Koop, Richard S. Sutton, Satinder Singh
2005· article· en· Neural Information Processing Systems· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
6
citations
affnon étiqueté
Learning Expected Emphatic Traces for Deep RL
Ray Jiang, Shangtong Zhang, Veronica Chelu, Adam White, Hado van Hasselt
2022· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
6
citations
affnon étiqueté
Diversity-Enriched Option-Critic
Anand Kamat, Doina Precup
2020· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrow+open_scienceconsensus · aucune
6
citations
afffundnon étiqueté
Statechart-Based AI in Practice
Christopher Dragert, Jörg Kienzle, Clark Verbrugge
2012· article· en· Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
6
citations
affnon étiqueté
Partially Observable Mean Field Reinforcement Learning
Sriram Ganapathi Subramanian, Matthew E. Taylor, Mark Crowley, Pascal Poupart
2021· preprint· en· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communicationconsensus · aucune
6
citations
affnon étiqueté
MULTIAGENT EXPEDITION WITH GRAPHICAL MODELS
Yang Xiang, Frank Hanshar
2011· article· en· International Journal of Uncertainty Fuzziness and Knowledge-Based Systems· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
6
citations
affnon étiqueté
Planning with Expectation Models
Yi Wan, Muhammad Zaheer, Adam White, Martha White, Richard S. Sutton
2019· article· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
ASN: action semantics network for multiagent reinforcement learning
Tianpei Yang, Weixun Wang, Jianye Hao, Matthew E. Taylor, Yong Liu, Xiaotian Hao +7 autres
2023· article· en· Autonomous Agents and Multi-Agent Systems· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
affnon étiqueté
Discovering Adaptable Symbolic Algorithms from Scratch
Stephen Kelly, Daniel Park, Xingyou Song, Mitchell McIntire, Pranav Nashikkar, Ritam Guha +5 autres
2023· article· en· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
5
citations
affnon étiqueté
Learning Options with Interest Functions
Khimya Khetarpal, Doina Precup
2019· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Natural Value Approximators: Learning when to Trust Past Estimates
Zhongwen Xu, Joseph Modayil, Hado P. van Hasselt, André Sales Barreto, David Silver, Tom Schaul
2017· article· en· Neural Information Processing Systems· Computer Science
prédiction distillée:candidate · sts+scholarly_communicationconsensus · aucune
5
citations
affnon étiqueté
Reward Shaping for Model-Based Bayesian Reinforcement Learning
Hyeoneun Kim, Woosang Lim, Kanghoon Lee, Yung‐Kyun Noh, Kee-Eung Kim
2015· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Continuous-Time Fitted Value Iteration for Robust Policies
Michael Lutter, Boris Belousov, Shie Mannor, Dieter Fox, Animesh Garg, Jan Peters
2022· article· en· IEEE Transactions on Pattern Analysis and Machine Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Learning With Options That Terminate Off-Policy
Anna Harutyunyan, Peter Vrancx, Pierre‐Luc Bacon, Doina Precup, Ann Nowé
2018· preprint· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
afffundnon étiqueté
How RL Agents Behave When Their Actions Are Modified
Eric Langlois, Tom Everitt
2021· preprint· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communication+open_scienceconsensus · aucune
5
citations
fundno affnon étiqueté
Neural Episodic Control with State Abstraction
Zhuo Li, Derui Zhu, Yujing Hu, Xiaofei Xie, Lei Ma, Yan Zheng +3 autres
2023· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
affnon étiqueté
A Survey of Exploration Methods in Reinforcement Learning
Susan Amin, Maziar Gomrokchi, Harsh Satija, Herke van Hoof, Doina Precup
2021· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations

En coulisses: Sélection · Constats · À propos