( en | de | ru )

 

Disambiguierung von "Wu, Yongkai"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Achieving Causal Fairness through Generative Adversarial Networks.

, , , , und . IJCAI, Seite 1452-1458. ijcai.org, (2019)

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.

Jinglan Wu

Recovery of citric acid from fermentation broth using simulated moving bed technology: = Reinigung von Zitronensäure aus Fermentationslösung durch kontinuierliche Chromatographie. Uni Erlangen-Nürnberg, (2009)

Changzhu Wu

Yinghua Wu

Jinjin Wu

Haiyan Wu

 

Weitere Publikationen von Autoren mit dem selben Namen

On Root Cause Localization and Anomaly Mitigation through Causal Inference., , , und . CIKM, Seite 699-708. ACM, (2023)SCM-VAE: Learning Identifiable Causal Representations via Structural Knowledge., , , , und . IEEE Big Data, Seite 1014-1023. IEEE, (2022)Achieving Causal Fairness through Generative Adversarial Networks., , , , und . IJCAI, Seite 1452-1458. ijcai.org, (2019)A Causal Framework for Discovering and Removing Direct and Indirect Discrimination., , und . IJCAI, Seite 3929-3935. ijcai.org, (2017)Situation Testing-Based Discrimination Discovery: A Causal Inference Approach., , und . IJCAI, Seite 2718-2724. IJCAI/AAAI Press, (2016)Counterfactual Fairness: Unidentification, Bound and Algorithm., , und . IJCAI, Seite 1438-1444. ijcai.org, (2019)On Discrimination Discovery Using Causal Networks., , und . SBP-BRiMS, Volume 9708 von Lecture Notes in Computer Science, Seite 83-93. Springer, (2016)Neural Time-Invariant Causal Discovery from Time Series Data., , und . IJCNN, Seite 1-8. IEEE, (2023)On Convexity and Bounds of Fairness-aware Classification., , und . WWW, Seite 3356-3362. ACM, (2019)SiDA: Sparsity-Inspired Data-Aware Serving for Efficient and Scalable Large Mixture-of-Experts Models., , , , , , , , , und . CoRR, (2023)