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 14 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.

afffundnon étiqueté
Learning to Shape Rewards Using a Game of Two Partners
David Mguni, Taher Jafferjee, Jianhong Wang, Nicolas Perez-Nieves, Wenbin Song, Feifei Tong +8 autres
2023· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
afffundnon étiqueté
World Models with an Entity-Based Representation
Nazanin Yousefzadeh Khameneh, Matthew Guzdial
2022· article· en· Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
Frequency-based Search-control in Dyna
Yangchen Pan, Jincheng Mei, Amir‐massoud Farahmand
2020· article· en· PolyPublie (École Polytechnique de Montréal)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
Learning cooperative behavior for the shout-ahead architecture
Sanjeev Paskaradevan, Jörg Denzinger, Daniel Wehr
2014· article· en· Web Intelligence and Agent Systems An International Journal· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
2
citations
affnon étiqueté
When is a Prediction Knowledge?
Alex Kearney, Patrick M. Pilarski
2019· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · aucune
2
citations
affnon étiqueté
β-DQN: Improving Deep Q-Learning By Evolving the Behavior
Hongming Zhang, Fengshuo Bai, Chenjun Xiao, Chao Gao, Bo Xu, Martin Müller
2025· article· Computer Science
prédiction distillée:candidate · metaepi_narrow+sts+scholarly_communicationconsensus · aucune
2
citations
afffundnon étiqueté
Dynamic Planning Networks
Norman Tasfi, Miriam A. M. Capretz
2021· preprint· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
Dual Temporal Difference Learning
Min Yang, Yuxi Li, Dale Schuurmans
2009· article· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations

En coulisses: Sélection · Constats · À propos