( en | de | ru )

 

Disambiguierung von "Ahuja, Kartik"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Model Ratatouille: Recycling Diverse Models for Out-of-Distribution Generalization.

, , , , , und . ICML, Volume 202 von Proceedings of Machine Learning Research, Seite 28656-28679. PMLR, (2023)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Rashmi Ahuja

Kartik Jain

Nitin Ahuja

Kartik Krishnan

Kartik Viswanathan

 

Weitere Publikationen von Autoren mit dem selben Namen

Finding Valid Adjustments under Non-ignorability with Minimal DAG Knowledge., , und . CoRR, (2021)Adversarial Feature Desensitization., , , , , , , und . NeurIPS, Seite 10665-10677. (2021)Conditionally independent data generation., , , , , und . UAI, Volume 161 von Proceedings of Machine Learning Research, Seite 2050-2060. AUAI Press, (2021)Empirical or Invariant Risk Minimization? A Sample Complexity Perspective., , , , und . ICLR, OpenReview.net, (2021)Properties from mechanisms: an equivariance perspective on identifiable representation learning., , und . ICLR, OpenReview.net, (2022)Can Subnetwork Structure Be the Key to Out-of-Distribution Generalization?, , , , und . ICML, Volume 139 von Proceedings of Machine Learning Research, Seite 12356-12367. PMLR, (2021)Interventional Causal Representation Learning., , , und . ICML, Volume 202 von Proceedings of Machine Learning Research, Seite 372-407. PMLR, (2023)Multi-Domain Causal Representation Learning via Weak Distributional Invariances., , und . AISTATS, Volume 238 von Proceedings of Machine Learning Research, Seite 865-873. PMLR, (2024)Optimization Methods for Resource Allocation and Machine Learning Applications.. University of California, Los Angeles, USA, (2019)Weakly Supervised Representation Learning with Sparse Perturbations., , und . NeurIPS, (2022)