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 9 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.

afffundnon étiqueté
Transfer Learning on the Edge Networks
Deepak Saggu, Akramul Azim
2021· article· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
3
citations
affnon étiqueté
Information Bottleneck and Aggregated Learning
Masoumeh Soflaei, Richong Zhang, Hongyu Guo, Ali Al-Bashabsheh, Yongyi Mao
2023· article· en· IEEE Transactions on Pattern Analysis and Machine Intelligence· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Analysis of the IJCNN 2011 UTL challenge
Isabelle Guyon, Gideon Dror, Vincent Lemaire, Daniel Silver, Graham W. Taylor, David W. Aha
2012· article· en· Neural Networks· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
Fast Fine-Tuning Using Curriculum Domain Adaptation
Lulan Shen, Ibtihel Amara, Ruofeng Li, Brett H. Meyer, Warren J. Gross, James J. Clark
2023· article· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
afffundsans résuménon étiqueté
Source-free domain adaptation requires penalized diversity
Laya Rafiee Sevyeri, Ivaxi Sheth, Farhood Farahnak, Alexandre See, Samira Ebrahimi Kahou, Thomas Fevens +1 autres
2025· article· en· Machine Learning· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
A Conceptual Framework for Lifelong Learning
Charles X. Ling, Tanner Bohn
2019· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
ConQUR: Mitigating Delusional Bias in Deep Q-Learning
DiJia Su, Jayden Ooi, Tyler Lu, Dale Schuurmans, Craig Boutilier
2020· article· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
1
citations
fundno affnon étiqueté
Bayesian Embeddings for Few-Shot Open World Recognition
John Willes, J. Harrison, Ali Harakeh, Chelsea Finn, Marco Pavone, Steven L. Waslander
2021· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communicationconsensus · aucune
1
citations
affsans résuménon étiqueté
A Semantic Loss Function for Deep Learning Under Weak Supervision
Jingyi Xu, Zilu Zhang, Tal Friedman, Yitao Liang, Guy Van den Broeck
2017· article· en· Neural Information Processing Systems· Computer Science
prédiction distillée:candidate · sts+scholarly_communicationconsensus · aucune
1
citations

En coulisses: Sélection · Constats · À propos