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
Adversarial Robustness in Machine 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.

797 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.
797 travaux dans la cohorte · sur 4 299 418page 3 sur 16

Les étiquettes couvrent 2 des 797 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 797 des 797 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
DIBS: Diversity Inducing Information Bottleneck in Model Ensembles
Samarth Sinha, Homanga Bharadhwaj, Anirudh Goyal, Hugo Larochelle, Animesh Garg, Florian Shkurti
2021· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
20
citations
afffundnon étiqueté
DisGUIDE: Disagreement-Guided Data-Free Model Extraction
Jonathan Rosenthal, Eric Enouen, Hung Viet Pham, Lin Tan
2023· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
19
citations
affnon étiqueté
Reinterpreting Importance-Weighted Autoencoders
Chris Cremer, Quaid Morris, David Duvenaud
2017· article· en· International Conference on Learning Representations· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
19
citations
affnon étiqueté
Low Frequency Adversarial Perturbation
Chuan Guo, Jared S. Frank, Kilian Q. Weinberger
2018· article· en· Uncertainty in Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
18
citations
affnon étiqueté
Revisiting the Importance of Amplifying Bias for Debiasing
Jungsoo Lee, Jeong-Hoon Park, Daeyoung Kim, Juyoung Lee, Edward Choi, Jaegul Choo
2023· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
affnon étiqueté
Adversarial Attack Generation Empowered by Min-Max Optimization
Jingkang Wang, Tianyun Zhang, Sijia Liu, Pin‐Yu Chen, Jiacen Xu, Makan Fardad +1 autres
2021· article· en· Neural Information Processing Systems· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
afffundnon étiqueté
Testing Feedforward Neural Networks Training Programs
Houssem Ben Braiek, Foutse Khomh
2022· article· en· ACM Transactions on Software Engineering and Methodology· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
afffundsans résuménon étiqueté
Learning asymmetric encryption using adversarial neural networks
Ishak Meraouche, Sabyasachi Dutta, Haowen Tan, Kouichi Sakurai
2023· article· en· Engineering Applications of Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
affsans résuménon étiqueté
Improving ML Safety with Partial Specifications
Rick Salay, Krzysztof Czarnecki
2019· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
affnon étiqueté
The Ethics of Emotion in AI Systems
Luke Stark, Jesse Hoey
2020· preprint· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
14
citations
affsans résuménon étiqueté
Machine learning robustness: a primer
Houssem Ben Braiek, Foutse Khomh
2025· book-chapter· en· Elsevier eBooks· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
14
citations
← précédentsuivant →

En coulisses: Sélection · Constats · À propos