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
Machine Learning and Algorithms
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.

587 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.
587 travaux dans la cohorte · sur 4 299 418page 6 sur 12

Les étiquettes couvrent 1 des 587 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 587 des 587 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
XOR Codes and Sparse Learning Parity with Noise
Andrej Bogdanov, Manuel Sabin, Prashant Nalini Vasudevan
2019· book-chapter· en· Society for Industrial and Applied Mathematics eBooks· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
6
citations
affsans résuménon étiqueté
Automatic learning of subclasses of pattern languages
John Case, Sanjay Jain, Trong Dao Le, Yuh Shin Ong, Pavel Semukhin, Frank Stephan
2012· article· en· Information and Computation· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
6
citations
affnon étiqueté
Active Learning for Matching Problems
Laurent Charlin, Craig Boutilier
2012· article· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Fast cross-validation for incremental learning
Pooria Joulani, András György, Csaba Szepesvári
2015· article· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
Automatic Learning of Subclasses of Pattern Languages
John Case, Sanjay Jain, Trong Dao Le, Yuh Shin Ong, Pavel Semukhin, Frank Stephan
2011· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
fundno affsans résuménon étiqueté
Query learning of bounded-width OBDDs
Atsuyoshi Nakamura
2000· article· en· Theoretical Computer Science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
fundno affnon étiqueté
PAC-Bayes Analysis Beyond the Usual Bounds
Omar Rivasplata, Ilja Kuzborskij, Csaba Szepesvári, John Shawe‐Taylor
2020· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Probably Approximately Correct Heuristic Search
Roni Stern, Ariel Felner, Robert C. Holte
2021· article· en· Proceedings of the International Symposium on Combinatorial Search· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Algebraic generalization
Stephen M. Watt
2005· article· en· ACM SIGSAM Bulletin· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
afffundnon étiqueté
Better Peer Grading through Bayesian Inference
Hedayat Zarkoob, Greg d'Eon, Lena Podina, Kevin Leyton‐Brown
2023· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
Sauer’s Bound for a Notion of Teaching Complexity
Rahim Samei, Pavel Semukhin, Boting Yang, Sandra Zilles
2012· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
Learning Communicating State Machines
Alexandre Petrenko, Florent Avellaneda
2019· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
Learning expressions and programs over monoids
Ricard Gavaldà, Pascal Tesson, Denis Thérien
2005· article· en· Information and Computation· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
The Lower Reaches of Circuit Uniformity
Christoph Behle, Andreas Krebs, Klaus-Jörn Lange, Pierre McKenzie
2012· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
affnon étiqueté
Sample Compression for Multi-label Concept Classes
Rahim Samei, Pavel Semukhin, Boting Yang, Sandra Zilles
2014· article· en· Conference on Learning Theory· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
affsans résuménon étiqueté
Elements of Computational Learning Theory
Ke-Lin Du, M.N.S. Swamy
2019· book-chapter· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
affnon étiqueté
Learning Linear Programs from Optimal Decisions
Yingcong Tan, Daria Terekhov, Andrew Delong
2020· article· en· Neural Information Processing Systems· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
fundno affnon étiqueté
[sans titre]
Clément L. Canonne, Elena Grigorescu, Siyao Guo, Akash Kumar, Karl Wimmer
2019· article· en· Theory of Computing· Computer Science
prédiction machine:candidate · insufficient_payloadconsensus · aucune
4
citations
affsans résuménon étiqueté
Training Linear Finite-State Machines.
Arash Ardakani, Amir Ardakani, Warren J. Gross
2020· article· en· Neural Information Processing Systems· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations
fundno affsans résuménon étiqueté
On learning of functions refutably
Sanjay Jain, Efim Kinber, Rolf Wiehagen, Thomas Zeugmann
2003· article· en· Theoretical Computer Science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4
citations

En coulisses: Sélection · Constats · À propos