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
International Conference on Learning Representations
Sujet
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.

80 résultats · 1 filtre actif ·
Résultats par année
20132021
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.
80 travaux dans la cohorte · sur 4 299 418page 2 sur 2

Les étiquettes couvrent 0 des 80 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 80 des 80 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le mode candidate est l'union; le consensus est l'intersection.

affsans résuménon étiqueté
Reproducibility and Stability Analysis in Metric-Based Few-Shot Learning.
Thomas Boquet, Laure Delisle, Denis Kochetkov, Nathan Schucher, Boris N. Oreshkin, Julien Cornebise
2019· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
4
citations
affnon étiqueté
DOM-Q-NET: Grounded RL on Structured Language
Sheng Jia, Jamie Kiros, Jimmy Ba
2019· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · insufficient_payload
3
citations
affsans résuménon étiqueté
Jointly Learning "What" and "How" from Instructions and Goal-States.
Dzmitry Bahdanau, Felix Hill, Jan Leike, Edward Hughes, Pushmeet Kohli, Edward Grefenstette
2018· article· en· International Conference on Learning Representations· Decision Sciences
prédiction distillée:candidate · scholarly_communication+insufficient_payloadconsensus · aucune
3
citations
affnon étiqueté
Neural Graph Evolution: Towards Efficient Automatic Robot Design
Tingwu Wang, Yuhao Zhou, Sanja Fidler, Jimmy Ba
2019· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · insufficient_payload
3
citations
affnon étiqueté
Decoupling the Layers in Residual Networks
Ricky Fok, Aijun An, Zana Rashidi, Xiaogang Wang
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
Recurrent Normalization Propagation
César Laurent, Nicolas Ballas, Pascal Vincent
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
SELF-INFORMED NEURAL NETWORK STRUCTURE LEARNING
David Warde-Farley, Andrew Rabinovich, Dragomir Anguelov
2015· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Reconstructing evolutionary trajectories of mutations in cancer
Yulia Rubanova, Ruian Shi, Roujia Li, Jeff Wintersinger, Amit G. Deshwar, Nil Sahin +1 autres
2018· article· en· International Conference on Learning Representations· Biochemistry, Genetics and Molecular Biology
prédiction distillée:candidate · aucuneconsensus · aucune
1
citations
affnon étiqueté
C-Learning: Horizon-Aware Cumulative Accessibility Estimation
Panteha Naderian, Gabriel Loaiza-Ganem, Harry J. Braviner, Anthony L. Caterini, Jesse C. Cresswell, Tong Li +1 autres
2021· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Online variance-reducing optimization
Nicolas Le Roux, Reza Babanezhad, Pierre-Antoine Manzagol
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
1
citations
affnon étiqueté
How Chaotic Are Recurrent Neural Networks
Pourya Vakilipourtakalou, Lili Mou
2020· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations
affsans résuménon étiqueté
Selecting the Best in GANs Family: a Post Selection Inference Framework
Yao-Hung Hubert Tsai, Denny Wu, Makoto Yamada, Ruslan Salakhutdinov, Ichiro Takeuchi, Kenji Fukumizu
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations
affsans résuménon étiqueté
Pretraining Reward-Free Representations for Data-Efficient Reinforcement Learning
Max Schwarzer, Nitarshan Rajkumar, Michael Noukhovitch, Ankesh Anand, Laurent Charlin, R Devon Hjelm +2 autres
2021· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communicationconsensus · aucune
0
citations
affsans résuménon étiqueté
I❤LA: Compilable Markdown for Linear Algebra
Yong Li, Shoaib Kamil, Alec Jacobson, Yotam Gingold
2021· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations
affnon étiqueté
Neural representation and generation for RNA secondary structures
Zichao Yan, William L. Hamilton, Mathieu Blanchette
2021· article· en· International Conference on Learning Representations· Biochemistry, Genetics and Molecular Biology
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations

En coulisses: Sélection · Constats · À propos