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
Sujet
Data Stream Mining Techniques
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.

322 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.
322 travaux dans la cohorte · sur 4 299 418page 4 sur 7

Les étiquettes couvrent 0 des 322 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 322 des 322 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.

afffundsans résuménon étiqueté
Supporting Smart Interactions with Predictive Analytics
Patrick Martin, Marie Matheson, Jimmy Lo, Joanna Ng, Daisy Tan, Brian Thomson
2010· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
venueno affnon étiqueté
A New Natural Language Processing–Inspired Methodology (Detection, Initial Characterization, and Semantic Characterization) to Investigate Temporal Shifts (Drifts) in Health Care Data: Quantitative Study
Bruno Barbosa Miranda de Paiva, Marcos André Gonçalves, Leonardo Rocha, Milena Soriano Marcolino, Maíra Viana Rego Souza-Silva, Jussara M. Almeida +32 autres
2024· article· en· JMIR Medical Informatics· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
affnon étiqueté
On the Feasibility of Forgetting in Data Streams
A. Pavan, Sourav Chakraborty, N. V. Vinodchandran, Kuldeep S. Meel
2024· article· en· Proceedings of the ACM on Management of Data· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affnon étiqueté
Quilt: Robust Data Segment Selection against Concept Drifts
Minsu Kim, Seong-Hyeon Hwang, Steven Euijong Whang
2024· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
nipy/nipype: 1.2.2
2019· other· en· Zenodo (CERN European Organization for Nuclear Research)· Computer Science
prédiction machine:candidate · insufficient_payloadconsensus · aucune
2
citations
affnon étiqueté
Mining Data - Streams
Hanady M. Abdulsalam, David B. Skillicorn, Pat Martin
2008· book-chapter· en· IGI Global eBooks· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
afffundsans résuménon étiqueté
Post deployment recycling of machine learning models
Harsh Patel, Bram Adams, Ahmed E. Hassan
2024· article· en· Empirical Software Engineering· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
Mining hidden constrained streams in practice: Informed search in dynamic filter spaces
Νικόλαος Παναγιώτου, Ioannis Katakis, Dimitrios Gunopulos, Vana Kalogeraki, Elizabeth Daly, Jia Yuan Yu +1 autres
2016· article· en· 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
DragStream: An Anomaly And Concept Drift Detector In Univariate Data Streams
Anne Marthe Sophie Ngo Bibinbe, Abdoul Jalil Djiberou Mahamadou, Michael Franklin Mbouopda, Engelbert Mephu Nguifo
2022· article· en· 2022 IEEE International Conference on Data Mining Workshops (ICDMW)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Improving Machine Learning Performance Using Conceptual Modeling.
Arturo Castellanos, Alfred Castillo, Monica Chiarini Tremblay, Roman Lukyanenko, Jeffrey Parsons, Veda C. Storey
2021· article· en· AAAI Spring Symposium Combining Machine Learning with Knowledge Engineering· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations

En coulisses: Sélection · Constats · À propos