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
Machine Learning and Data Classification
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.

559 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.
559 travaux dans la cohorte · sur 4 299 418page 3 sur 12

Les étiquettes couvrent 1 des 559 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 559 des 559 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
Optimal reverse prediction
Linli Xu, Martha White, Dale Schuurmans
2009· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
22
citations
afffundnon étiqueté
COEVOLUTION OF NEAREST NEIGHBOR CLASSIFIERS
Christian Gagné, Marc Parizeau
2007· article· en· International Journal of Pattern Recognition and Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
21
citations
affnon étiqueté
Adaptive error-correcting output codes
Guoqiang Zhong, Mohamed Cheriet
2013· article· en· International Joint Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
21
citations
affnon étiqueté
Meta-MapReduce for scalable data mining
Xuan Liu, Xiaoguang Wang, Stan Matwin, Nathalie Japkowicz
2015· article· en· Journal Of Big Data· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
21
citations
affsans résuménon étiqueté
Roulette Sampling for Cost-Sensitive Learning
Victor S. Sheng, Charles X. Ling
2007· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
20
citations
affnon étiqueté
Ensemble Kernel Mean Matching
Yun-Qian Miao, Ahmed Farahat, Mohamed S. Kamel
2015· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
affnon étiqueté
Machine learning: Supervised methods, SVM and kNN
Danilo Bzdok, Martin Krzywinski, Naomi Altman
2018· preprint· fr· HAL (Le Centre pour la Communication Scientifique Directe)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
affnon étiqueté
A scalable AutoML approach based on graph neural networks
Mossad Helali, Essam Mansour, Ibrahim Abdelaziz, Julian Dolby, Kavitha Srinivas
2022· article· en· Proceedings of the VLDB Endowment· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
affnon étiqueté
AutoML Loss Landscapes
Yasha Pushak, Holger H. Hoos
2022· article· en· ACM Transactions on Evolutionary Learning and Optimization· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
affnon étiqueté
An Ensemble Model for Combating Label Noise
Yangdi Lu, Bo Yang, Wenbo He
2022· article· en· Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
14
citations
afffundsans résuménon étiqueté
OLP++: An online local classifier for high dimensional data
Mariana A. Souza, Robert Sabourin, George D. C. Cavalcanti, Rafael M. O. Cruz
2022· article· en· Information Fusion· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
13
citations
fundno affnon étiqueté
Class Adaptive Network Calibration
Bingyuan Liu, Jérôme Rony, Adrián Galdrán, José Dolz, Ismail Ben Ayed
2023· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
13
citations
affsans résuménon étiqueté
Forgetting Reinforced Cases
Houcine Romdhane, Luc Lamontagne
2008· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
12
citations
← précédentsuivant →

En coulisses: Sélection · Constats · À propos