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 Data Classification
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.

559 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.
559 travaux dans la cohorte · sur 4 299 418page 1 sur 12

Les étiquettes couvrent 1 des 559 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 559 des 559 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.

fundno affnon étiqueté
Semi-Supervised Learning
Olivier Chapelle, Alexander Zien
2006· book· en· The MIT Press eBooks· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
4 308
citations
fundno affnon étiqueté
Automated Machine Learning
Frank Hutter, Lars Kotthoff, Joaquin Vanschoren
2019· book· en· ˜The œSpringer series on challenges in machine learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
1 396
citations
affnon étiqueté
Auto-WEKA
Chris Thornton, Frank Hutter, Holger H. Hoos, Kevin Leyton‐Brown
2013· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
1 321
citations
affnon étiqueté
Density Estimation Using Real NVP
Laurent Dinh
2016· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
793
citations
affnon étiqueté
Evaluating Learning Algorithms
Nathalie Japkowicz, Mohak Shah
2011· book· en· Cambridge University Press eBooks· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
753
citations
affnon étiqueté
Maxout Networks
Ian Goodfellow, David Warde-Farley, Mehdi Mirza, Aaron Courville, Yoshua Bengio
2013· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
607
citations
affnon étiqueté
Multi-Task Bayesian Optimization
Kevin Swersky, Jasper Snoek, Ryan P. Adams
2013· article· en· Digital Access to Scholarship at Harvard (DASH) (Harvard University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
452
citations
affnon étiqueté
Maxout Networks
Ian Goodfellow, David Warde-Farley, Mehdi Mirza, Aaron Courville, Yoshua Bengio
2013· preprint· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
451
citations
afffundnon étiqueté
Scalable Bayesian Optimization Using Deep Neural Networks
Jasper Snoek, Oren Rippel, Kevin Swersky, Ryan Kiros, Nadathur Satish, Narayanan Sundaram +2 autres
2015· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
440
citations
affnon étiqueté
Learning to Reweight Examples for Robust Deep Learning
Mengye Ren, Wenyuan Zeng, Bin Yang, Raquel Urtasun
2018· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
418
citations
affnon étiqueté
Scalable Bayesian Optimization Using Deep Neural Networks
Jasper Snoek, Oren Rippel, Kevin Swersky, Ryan Kiros, Nadathur Satish, Narayanan Sundaram +2 autres
2015· preprint· en· arXiv (Cornell University)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
376
citations
affnon étiqueté
Boosting Neural Networks
Holger Schwenk, Yoshua Bengio
2000· article· en· Neural Computation· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
303
citations
affnon étiqueté
Learning Feature Engineering for Classification
Fatemeh Nargesian, Horst Samulowitz, Udayan Khurana, Elias B. Khalil, Deepak S. Turaga
2017· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
282
citations
affnon étiqueté
MixUp as Locally Linear Out-of-Manifold Regularization
Hongyu Guo, Yongyi Mao, Richong Zhang
2019· article· en· Proceedings of the AAAI Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
265
citations
affnon étiqueté
ActiveClean
Sanjay Krishnan, Jiannan Wang, Eugene Wu, Michael J. Franklin, Ken Goldberg
2016· article· en· Proceedings of the VLDB Endowment· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
244
citations
affnon étiqueté
Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation
Yifan Feng, Jiangang Huang, Shaoyi Du, Shihui Ying, Jun‐Hai Yong, Yipeng Li +3 autres
2024· article· en· IEEE Transactions on Pattern Analysis and Machine Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
237
citations
affnon étiqueté
Programming by optimization
Holger H. Hoos
2012· article· en· Communications of the ACM· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
226
citations
affsans résuménon étiqueté
Lectures on the Nearest Neighbor Method
Gérard Biau, Luc Devroye
2015· book· en· Springer series in the data sciences· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
224
citations
afffundsans résuménon étiqueté
ASlib: A benchmark library for algorithm selection
Bernd Bischl, Pascal Kerschke, Lars Kotthoff, Marius Lindauer, Yuri Malitsky, Alexandre Fréchette +5 autres
2016· article· en· Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
213
citations
affnon étiqueté
Towards Robust Pattern Recognition: A Review
Xu-Yao Zhang, Cheng‐Lin Liu, Ching Y. Suen
2020· review· en· Proceedings of the IEEE· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
153
citations
affnon étiqueté
Are random forests truly the best classifiers
Michael Wainberg, Babak Alipanahi, Brendan J. Frey
2016· article· en· Journal of Machine Learning Research· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
135
citations
fundno affnon étiqueté
84 Automated machine learning
2020· book-chapter· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
96
citations
affnon étiqueté
The Principles of Data-Centric AI
Mohammad Hossein Jarrahi, Ali Memariani, Shion Guha
2023· article· en· Communications of the ACM· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
91
citations

En coulisses: Sélection · Constats · À propos