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 2 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 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.

affnon étiqueté
Teaching Multiple Tasks to an RL Agent using LTL
Rodrigo Toro Icarte, Toryn Q. Klassen, Richard Valenzano, Sheila A. McIlraith
2018· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
89
citations
affnon étiqueté
Fast reinforcement learning with generalized policy updates
André Barreto, Shaobo Hou, Diana Borsa, David Silver, Doina Precup
2020· article· en· Proceedings of the National Academy of Sciences· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
82
citations
affsans résuménon étiqueté
A machine-learning approach to multi-robot coordination
Ying Wang, Clarence W. de Silva
2007· article· en· Engineering Applications of Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
81
citations
afffundnon étiqueté
Memory-based Deep Reinforcement Learning for POMDPs
Lingheng Meng, Rob Gorbet, Dana Kulić
2021· article· en· 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
77
citations
afffundnon étiqueté
Investigating Contingency Awareness Using Atari 2600 Games
Marc G. Bellemare, Joel Veness, Michael Bowling
2021· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
76
citations
affnon étiqueté
Learning from Limited Demonstrations
Beomjoon Kim, Amir massoud Farahmand, Joëlle Pineau, Doina Precup
2013· article· en· Neural Information Processing Systems· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
72
citations
affnon étiqueté
Bayesian Policy Gradient Algorithms
Mohammad Ghavamzadeh, Yaakov Engel
2007· book-chapter· en· The MIT Press eBooks· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
70
citations
affnon étiqueté
Incremental Policy Generation for Finite-Horizon DEC-POMDPs
Christopher Amato, Jilles Dibangoye, Shlomo Zilberstein
2009· article· en· Proceedings of the International Conference on Automated Planning and Scheduling· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
64
citations
affsans résuménon étiqueté
Bayesian Reinforcement Learning
Nikos Vlassis, Mohammad Ghavamzadeh, Shie Mannor, Pascal Poupart
2012· book-chapter· en· Adaptation, learning, and optimization· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
64
citations
afffundnon étiqueté
Symbolic Plans as High-Level Instructions for Reinforcement Learning
León Illanes, Xi Yan, Rodrigo Toro Icarte, Sheila A. McIlraith
2020· article· en· Proceedings of the International Conference on Automated Planning and Scheduling· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
63
citations
affnon étiqueté
True Online Temporal-Difference Learning
Harm van Seijen, A. Rupam Mahmood, Patrick M. Pilarski, Marlos C. Machado, Richard S. Sutton
2015· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
56
citations
← précédentsuivant →

En coulisses: Sélection · Constats · À propos