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 20 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
Dynamic Programming Algorithms
2024· book-chapter· en· Cambridge University Press eBooks· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
0
citations
affsans résuménon étiqueté
Reinforcement Learning Theory
Philip Osborne, Kajal Singh, Matthew E. Taylor
2022· book-chapter· en· Synthesis lectures on artificial intelligence and machine learning· Computer Science
prédiction distillée:candidate · metaepi_narrow+sts+research_integrity+insufficient_payloadconsensus · aucune
0
citations
fundno affnon étiqueté
Maximum Entropy Model Correction in Reinforcement Learning
Amin Rakhsha, Mete Kemertas, Mohammad Ghavamzadeh, Amir‐massoud Farahmand
2023· preprint· en· PolyPublie (École Polytechnique de Montréal)· Computer Science
prédiction distillée:candidate · metaepi_narrow+research_integrityconsensus · aucune
0
citations
affnon étiqueté
Reinforcement Learning with Partial Parametric Model Knowledge
Shuyuan Wang, Philip D. Loewen, Nathan P. Lawrence, Michael G. Forbes, R. Bhushan Gopaluni
2023· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
0
citations
fundno affnon étiqueté
Toward Open-ended Embodied Tasks Solving
William Wei Wang, Dongqi Han, Xufang Luo, Yifei Shen, Charles X. Ling, Boyu Wang +1 autres
2023· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrow+open_science+insufficient_payloadconsensus · open_science
0
citations
affnon étiqueté
Quasi deterministic POMDPs and DecPOMDPs
Camille Besse, Brahim Chaib-draa
2010· article· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communicationconsensus · aucune
0
citations
affsans résuménon étiqueté
Moving beyond reward prediction errors
Blake A. Richards
2019· article· en· Nature Machine Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations
affnon étiqueté
Planning with Expectation Models for Control
Katya Kudashkina, Yi Wan, Abhishek Naik, Richard S. Sutton
2021· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
0
citations
affnon étiqueté
Efficient planning in R-max
Marek Grześ, Jesse Hoey
2011· article· Computer Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · insufficient_payload
0
citations
affnon étiqueté
Augmented Q Imitation Learning (AQIL)
Xiaolei Zhang, Anish Agarwal
2020· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
0
citations
affsans résuménon étiqueté
Model-Based Least-Squares Policy Evaluation
Fletcher Lu, Dale Schuurmans
2003· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
0
citations
affnon étiqueté
Scythe AI: A Tool for Modular Reuse of Game AI
Christopher Dragert, Jörg Kienzle, Clark Verbrugge
2013· article· en· Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations
affnon étiqueté
Investigation of Maximization Bias in Sarsa Variants
Ganesh Tata, Eric M. Austin
2021· article· en· 2021 IEEE Symposium Series on Computational Intelligence (SSCI)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
0
citations
affnon étiqueté
Average-Reward Learning and Planning with Options
Yi Wan, Abhishek Naik, Richard S. Sutton
2021· article· en· Neural Information Processing Systems· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
0
citations
← précédentsuivant →

En coulisses: Sélection · Constats · À propos