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
Domain Adaptation and Few-Shot Learning
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.

705 résultats · 1 filtre actif ·
Résultats par année
20012025
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.
705 travaux dans la cohorte · sur 4 299 418page 2 sur 15

Les étiquettes couvrent 0 des 705 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 705 des 705 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le volet Gemma est une étiquette directe du modèle pour chaque travail (titre seulement); le volet Codex est un classifieur distillé et calibré. Le mode candidate est l'union; le consensus est l'intersection.

afffundsans résuménon étiqueté
Source-free domain adaptation for image segmentation
Mathilde Bateson, Hoel Kervadec, José Dolz, Hervé Lombaert, Ismail Ben Ayed
2022· article· en· Medical Image Analysis· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
92
citations
affnon étiqueté
Learning Deep Parsimonious Representations
Renjie Liao, Alexander G. Schwing, Richard S. Zemel, Raquel Urtasun
2016· article· en· Neural Information Processing Systems· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
90
citations
affnon étiqueté
Prototypical Networks for Few-shot Learning
Jake Snell, Kevin Swersky, Richard S. Zemel
2017· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
85
citations
affnon étiqueté
Diversity Transfer Network for Few-Shot Learning
Mengting Chen, Yuxin Fang, Xinggang Wang, Heng Luo, Yifeng Geng, Xinyu Zhang +3 autres
2020· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
75
citations
fundno affnon étiqueté
Contrastive Learning of Structured World Models
Thomas Kipf, Elise van der Pol, Max Welling
2020· article· en· Data Archiving and Networked Services (DANS)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
70
citations
fundno affnon étiqueté
Contrastive Learning of Structured World Models
Thomas Kipf, Elise van der Pol, Max Welling
2019· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
69
citations
affsans résuménon étiqueté
Deep Learning of Representations
Yoshua Bengio, Aaron Courville
2013· book-chapter· en· Intelligent systems reference library· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
63
citations
affnon étiqueté
MM-TTA: Multi-Modal Test-Time Adaptation for 3D Semantic Segmentation
Inkyu Shin, Yi–Hsuan Tsai, Bingbing Zhuang, Samuel Schulter, Buyu Liu, Sparsh Garg +2 autres
2022· article· en· 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
58
citations
affnon étiqueté
Laplacian Regularized Few-Shot Learning
Imtiaz Masud Ziko, José Dolz, Éric Granger, Ismail Ben Ayed
2020· article· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
56
citations
affnon étiqueté
Environment Inference for Invariant Learning
Elliot Creager, Joern-Henrik Jacobsen, Richard S. Zemel
2021· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
51
citations
affsans résuménon étiqueté
Information Maximization for Few-Shot Learning
Malik Boudiaf, Imtiaz Masud Ziko, Jérôme Rony, José Dolz, Pablo Piantanida, Ismail Ben Ayed
2020· article· en· Neural Information Processing Systems· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
49
citations
affnon étiqueté
Unsupervised Learning via Meta-Learning
Kyle Hsu, Sergey Levine, Chelsea Finn
2018· article· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
49
citations
affnon étiqueté
Few-shot Learning with Noisy Labels
Kevin J Liang, Samrudhdhi B. Rangrej, Vladan Petrović, Tal Hassner
2022· article· en· 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
46
citations

En coulisses: Sélection · Constats · À propos