MétaCan
ENFR
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.

Exporter en CSVExporter en JSONRequête API

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 11 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
Scoping Software Engineering for AI: The TSE Perspective
Sebastián Uchitel, Marsha Chećhik, Massimiliano Di Penta, Bram Adams, Nazareno Aguirre, Gabriele Bavota +33 autres
2024· article· en· IEEE Transactions on Software Engineering· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
affnon étiqueté
Value-driven Hindsight Modelling
Arthur Guez, Fabio Viola, Théophane Weber, Lars Buesing, Steven Kapturowski, Doina Precup +2 autres
2020· article· en· Neural Information Processing Systems· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
5
citations
affnon étiqueté
Planning with Expectation Models
Yi Wan, Zaheer Abbas, Adam White, Martha White, Richard S. Sutton
2019· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
affnon étiqueté
On designing migrating agents
Kaveh Hassani, Won‐Sook Lee
2014· article· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
GA Based Task Allocation Models
Deo Prakash Vidyarthi, Biplab Kumer Sarker, Anil Kumar Tripathi, Laurence T. Yang
2008· book-chapter· en· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
4
citations
affnon étiqueté
Importance Resampling for Off-policy Prediction
Matthew Schlegel, Wesley Chung, Daniel Graves, Jian Qian, Martha White
2019· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
4
citations
affnon étiqueté
Skill Transfer via Partially Amortized Hierarchical Planning
Kevin Xie, Homanga Bharadhwaj, Danijar Hafner, Animesh Garg, Florian Shkurti
2020· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
4
citations
affnon étiqueté
Multi-step linear Dyna-style planning
Hengshuai Yao, Shalabh Bhatnagar, Dongcui Diao
2009· article· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
4
citations
affnon étiqueté
On Hard Exploration for Reinforcement Learning: A Case Study in Pommerman
Chao Gao, Bilal Kartal, Pablo Hernández-Leal, Matthew E. Taylor
2019· preprint· en· Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communicationconsensus · aucune
4
citations
affsans résuménon étiqueté
Learning Agent Representations for Ice Hockey
Guiliang Liu, Oliver Schulte, Pascal Poupart, Mike Rudd, Mehrsan Javan
2020· article· en· Neural Information Processing Systems· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
4
citations
affnon étiqueté
Markov Decision Process and Reinforcement Learning
Dinh Thai Hoang, Nguyễn Văn Huynh, Diep N. Nguyen, Ekram Hossain, Dusit Niyato
2023· other· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
4
citations
← précédentsuivant →

En coulisses: Sélection · Constats · À propos