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
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 6 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 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
Brain Inspired Reinforcement Learning
François Rivest, Yoshua Bengio, John Kalaska
2004· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
affnon étiqueté
Learning Interactive Driving Policies via Data-driven Simulation
Tsun-Hsuan Wang, Alexander Amini, Wilko Schwarting, Igor Gilitschenski, Sertaç Karaman, Daniela Rus
2022· article· en· 2022 International Conference on Robotics and Automation (ICRA)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
afffundnon étiqueté
Count-Based Exploration with the Successor Representation
Marlos C. Machado, Marc G. Bellemare, Michael Bowling
2020· preprint· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
17
citations
fundno affnon étiqueté
PAC Reinforcement Learning With an Imperfect Model
Nan Jiang
2018· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
affnon étiqueté
Robust Losses for Learning Value Functions
Andrew Patterson, Victor Liao, Martha White
2022· article· en· IEEE Transactions on Pattern Analysis and Machine Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
affnon étiqueté
Learning Robust Options
Daniel J. Mankowitz, Timothy Mann, Pierre‐Luc Bacon, Doina Precup, Shie Mannor
2018· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
16
citations
affnon étiqueté
Real-Time Reinforcement Learning
Simon Ramstedt
2019· article· en· PolyPublie (École Polytechnique de Montréal)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
15
citations
fundno affnon étiqueté
Experience Replay Using Transition Sequences
Thommen George Karimpanal, Roland Bouffanais
2018· article· en· Frontiers in Neurorobotics· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
15
citations
affnon étiqueté
Reinforcement Learning with Perturbed Rewards
Jingkang Wang, Yang Liu, Бо Ли
2018· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
15
citations
afffundnon étiqueté
Policy Iteration Based on Stochastic Factorization
André M. S. Barreto, Joëlle Pineau, Doina Precup
2014· article· en· Journal of Artificial Intelligence Research· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
15
citations
affnon étiqueté
Elements of artificial emotion
T. Gomi, J. Vardalas, K. Ide
2002· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
15
citations
affnon étiqueté
Bootstrapping Apprenticeship Learning
Abdeslam Boularias, Brahim Chaib-draa
2010· article· en· Max Planck Digital Library· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
15
citations
fundno affsans résuménon étiqueté
Machine learning and control theory
Alain Bensoussan, Yiqun Li, Dinh Phan Cao Nguyen, Minh-Binh Tran, Sheung Chi Phillip Yam, Xiang Zhou
2022· book-chapter· en· Handbook of numerical analysis· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
14
citations
affnon étiqueté
A Game Theoretic Approach to Swarm Robotics
Sidney Givigi, Howard M. Schwartz
2006· article· en· Applied Bionics and Biomechanics· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
13
citations

En coulisses: Sélection · Constats · À propos