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
Domain Adaptation and Few-Shot 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.

705 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.
705 travaux dans la cohorte · sur 4 299 418page 7 sur 15

Les étiquettes couvrent 0 des 705 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 705 des 705 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le mode candidate est l'union; le consensus est l'intersection.

affnon étiqueté
Reducing Representation Drift in Online Continual Learning.
Lucas Caccia, Rahaf Aljundi, Tinne Tuytelaars, Joëlle Pineau, Eugene Belilovsky
2021· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
affsans résuménon étiqueté
S2match: Self-Paced Sampling for Data-Limited Semi-Supervised Learning
Dayan Guan, Yun Xing, Jiaxing Huang, Aoran Xiao, Abdulmotaleb El Saddik, Shijian Lu
2023· preprint· en· SSRN Electronic Journal· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communication+research_integrityconsensus · aucune
5
citations
affnon étiqueté
Adaptive Cross-Modal Few-Shot Learning
Xing Chen, Negar Rostamzadeh, Boris N. Oreshkin, Pedro O. Pinheiro
2019· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · aucune
5
citations
affnon étiqueté
Policy Search with High-Dimensional Context Variables
Voot Tangkaratt, Herke van Hoof, Simone Parisi, Gerhard Neumann, Jan Peters, Masashi Sugiyama
2017· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affsans résuménon étiqueté
Interactive Transfer Learning in Relational Domains
Raksha Kumaraswamy, Nandini Ramanan, Phillip Odom, Sriraam Natarajan
2020· article· en· KI - Künstliche Intelligenz· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · aucune
5
citations
affnon étiqueté
Fast Cross-Validation for Incremental Learning
Pooria Joulani, András György, Csaba Szepesvári
2015· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
5
citations
affnon étiqueté
The Effect of Diversity in Meta-Learning
Ramnath Kumar, Tristan Deleu, Yoshua Bengio
2023· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
5
citations
affnon étiqueté
Latent Attention Augmentation for Robust Autonomous Driving Policies
Ran Cheng, Christopher Agia, Florian Shkurti, David Meger, Gregory Dudek
2021· article· en· 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
5
citations
affnon étiqueté
Attentive Task Interaction Network for Multi-Task Learning
Dimitrios Sinodinos, Narges Armanfard
2022· article· en· 2022 26th International Conference on Pattern Recognition (ICPR)· Computer Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · aucune
5
citations
affnon étiqueté
Learning Receptive Field Size by Learning Filter Size
Yekang Lee, Heechul Jung, Dongyoon Han, Kyungsu Kim, Junmo Kim
2019· article· en· Computer Science
prédiction distillée:candidate · insufficient_payloadconsensus · insufficient_payload
5
citations
affnon étiqueté
Data-driven deep density estimation
Patrik Puchert, Pedro Hermosilla, Tobias Ritschel, Timo Ropinski
2021· article· en· Neural Computing and Applications· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
4
citations
afffundnon étiqueté
Transfer Learning With Reconstruction Loss
Wei Cui, Wei Yu
2024· article· en· IEEE Transactions on Machine Learning in Communications and Networking· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
4
citations
afffundnon étiqueté
Pulling Up by the Causal Bootstraps
Sindhu C. M. Gowda, Shalmali Joshi, Haoran Zhang, Marzyeh Ghassemi
2021· preprint· en· Computer Science
prédiction distillée:candidate · scholarly_communicationconsensus · aucune
4
citations

En coulisses: Sélection · Constats · À propos