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
International Conference on Machine Learning
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.

127 résultats · 1 filtre actif ·
Résultats par année
20022021
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.
127 travaux dans la cohorte · sur 4 299 418page 1 sur 3

Les étiquettes couvrent 0 des 127 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 127 des 127 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
On calibration of modern neural networks
Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger
2017· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
1 185
citations
affsans résuménon étiqueté
Mutual Information Neural Estimation.
Mohamed Ishmael Belghazi, Aristide Baratin, Sai Rajeshwar, Sherjil Ozair, Yoshua Bengio, Aaron Courville +1 autres
2018· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
598
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
Invertible Residual Networks
Jens Behrmann, Will Grathwohl, Ricky T. Q. Chen, David Duvenaud, Joern-Henrik Jacobsen
2019· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
193
citations
affsans résuménon étiqueté
Deep Spectral Clustering Learning.
Marc T. Law, Raquel Urtasun, Richard S. Zemel
2017· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
107
citations
affnon étiqueté
Unsupervised Models of Images by Spike-and-Slab RBMs
Yoshua Bengio, Aaron Courville, James Bergstra
2011· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
70
citations
affnon étiqueté
Understanding the Origins of Bias in Word Embeddings
Marc-Etienne Brunet, Colleen Alkalay-Houlihan, Ashton Anderson, Richard S. Zemel
2019· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
58
citations
affsans résuménon étiqueté
Unreproducible Research is Reproducible
Xavier Bouthillier, César Laurent, Pascal Vincent
2019· article· en· International Conference on Machine Learning· Decision Sciences
prédiction machine:candidate · metaresearchconsensus · aucune
57
citations
affnon étiqueté
Training deep neural networks via direct loss minimization
Yang Song, Alexander G. Schwing, Richard S. Zemel, Raquel Urtasun
2016· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
55
citations
affnon étiqueté
Environment Inference for Invariant Learning
Elliot Creager, Joern-Henrik Jacobsen, Richard S. Zemel
2021· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
51
citations
affnon étiqueté
Deep Supervised t-Distributed Embedding
Martin Renqiang Min, L.J.P. van der Maaten, Zineng Yuan, Anthony J. Bonner, Zhaolei Zhang
2010· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
48
citations
affsans résuménon étiqueté
Lorentzian Distance Learning for Hyperbolic Representations
Marc T. Law, Renjie Liao, Jake Snell, Richard S. Zemel
2019· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
43
citations
affnon étiqueté
A Deeper Look at Planning as Learning from Replay
Harm Vanseijen, Rich Sutton
2015· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
41
citations
affnon étiqueté
Tensor Analyzers
Yichuan Tang, Ruslan Salakhutdinov, Geoffrey E. Hinton
2013· article· en· International Conference on Machine Learning· Mathematics
prédiction machine:candidate · aucuneconsensus · aucune
41
citations
affsans résuménon étiqueté
True Online TD(lambda)
Harm van Seijen, Rich Sutton
2014· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
30
citations
affnon étiqueté
Adaptive Consensus ADMM for Distributed Optimization
Zheng Xu, Gavin Taylor, Hao Li, Mário A. T. Figueiredo, Xiaoming Yuan, Tom Goldstein
2017· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
21
citations
affnon étiqueté
Clustering in the Presence of Background Noise
Shai Ben-David, Nika Haghtalab
2014· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
21
citations

En coulisses: Sélection · Constats · À propos