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
IEEE Transactions on Machine Learning in Communications and Networking
Sujet
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.

27 résultats · 1 filtre actif ·
Résultats par année
20232025
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.
27 travaux dans la cohorte · sur 4 299 418page 1 sur 1

Les étiquettes couvrent 0 des 27 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 27 des 27 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
Deep Q-Learning-Based Resource Management in IRS-Assisted VLC Systems
Ahmed Al Hammadi, Lina Bariah, Sami Muhaidat, Mahmoud Al‐Qutayri, Paschalis C. Sofotasios, Mérouane Debbah
2023· article· en· IEEE Transactions on Machine Learning in Communications and Networking· Engineering
prédiction distillée:candidate · aucuneconsensus · aucune
21
citations
afffundnon étiqueté
Incremental Adversarial Learning for Polymorphic Attack Detection
Ulya Sabeel, Shahram Shah Heydari, Khalil El‐Khatib, Khalid Elgazzar
2024· article· en· IEEE Transactions on Machine Learning in Communications and Networking· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
12
citations
affnon étiqueté
Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
Xiaofang Zhao, Qimei Cui, Weicai Li, Wei Ni, Ekram Hossain, Quan Z. Sheng +2 autres
2025· article· en· IEEE Transactions on Machine Learning in Communications and Networking· Computer Science
prédiction distillée:candidate · metaepi_narrow+open_scienceconsensus · aucune
6
citations
afffundnon étiqueté
Reinforcement Learning With Non-Cumulative Objective
Wei Cui, Wei Yu
2023· article· en· IEEE Transactions on Machine Learning in Communications and Networking· 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

En coulisses: Sélection · Constats · À propos