Buchumschlag

Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Guo, Siyuan, Tóth, Viktor, Schölkopf, Bernhard, Huszár, Ferenc
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Statistics Theory Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Do Finetti: On Causal Effects for Exchangeable Data
von: Guo, Siyuan, et al.
Veröffentlicht: (2024)

Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning
von: Reizinger, Patrik, et al.
Veröffentlicht: (2024)

Fundamental Computational Limits in Pursuing Invariant Causal Prediction and Invariance-Guided Regularization
von: Gu, Yihong, et al.
Veröffentlicht: (2025)

Differentiable Structure Learning and Causal Discovery for General Binary Data
von: Deng, Chang, et al.
Veröffentlicht: (2025)

Partial Identification of Causal Effects Using Proxy Variables
von: Ghassami, AmirEmad, et al.
Veröffentlicht: (2023)

Combining Experimental and Observational Data for Identification and Estimation of Long-Term Causal Effects
von: Ghassami, AmirEmad, et al.
Veröffentlicht: (2022)

Identification and Debiased Learning of Causal Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2025)

An introduction to Causal Modelling
von: Baishya, Gauranga Kumar
Veröffentlicht: (2025)

Orthogonal Causal Calibration
von: Whitehouse, Justin, et al.
Veröffentlicht: (2024)

Transfer Learning for Causal Effect Estimation
von: Wei, Song, et al.
Veröffentlicht: (2023)

The Local Approach to Causal Inference under Network Interference
von: Auerbach, Eric, et al.
Veröffentlicht: (2021)

The Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data
von: Zhang, Yuqian, et al.
Veröffentlicht: (2023)

Foundations of Structural Causal Models with Latent Selection
von: Chen, Leihao, et al.
Veröffentlicht: (2024)

Complete Causal Identification from Ancestral Graphs under Selection Bias
von: Chen, Leihao, et al.
Veröffentlicht: (2026)

Identifiability of Sparse Causal Effects using Instrumental Variables
von: Pfister, Niklas, et al.
Veröffentlicht: (2022)

A Tutorial on Doubly Robust Learning for Causal Inference
von: Hlynsson, Hlynur Davíð
Veröffentlicht: (2024)

Identifying Causal Effects Using a Single Proxy Variable
von: Vollmer, Silvan, et al.
Veröffentlicht: (2026)

Sinkhorn Treatment Effects: A Causal Optimal Transport Measure
von: Agarwal, Medha, et al.
Veröffentlicht: (2026)

Identifying Linearly-Mixed Causal Representations from Multi-Node Interventions
von: Bing, Simon, et al.
Veröffentlicht: (2023)

Discovering Causal Relationships using Proxy Variables under Unmeasured Confounding
von: Wu, Yong, et al.
Veröffentlicht: (2025)

Causal Invariance Learning via Efficient Nonconvex Optimization
von: Wang, Zhenyu, et al.
Veröffentlicht: (2024)

Causal inference for the expected number of recurrent events in the presence of a terminal event
von: Baer, Benjamin R., et al.
Veröffentlicht: (2023)

Causal inference through multi-stage learning and doubly robust deep neural networks
von: Zhang, Yuqian, et al.
Veröffentlicht: (2024)

Causal Inference on Process Graphs, Part II: Causal Structure and Effect Identification
von: Reiter, Nicolas-Domenic, et al.
Veröffentlicht: (2024)

Causal-Policy Forest for End-to-End Policy Learning
von: Kato, Masahiro
Veröffentlicht: (2025)

On the Role of Surrogates in Conformal Inference of Individual Causal Effects
von: Gao, Chenyin, et al.
Veröffentlicht: (2024)

Invariant Subspace Decomposition
von: Lazzaretto, Margherita, et al.
Veröffentlicht: (2024)

Anytime-Valid Inference for Double/Debiased Machine Learning of Causal Parameters
von: Dalal, Abhinandan, et al.
Veröffentlicht: (2024)

Notes on Forré's Notion of Conditional Independence and Causal Calculus for Continuous Variables
von: Chen, Leihao
Veröffentlicht: (2026)

Augmentation Invariant Manifold Learning
von: Wang, Shulei
Veröffentlicht: (2022)

Bayesian Semiparametric Causal Inference: Targeted Doubly Robust Estimation of Treatment Effects
von: Sert, Gözde, et al.
Veröffentlicht: (2025)

Semi-Supervised Treatment Effect Estimation with Unlabeled Covariates for Prediction-Powered Causal Inference
von: Kato, Masahiro
Veröffentlicht: (2025)

The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation
von: Cattaneo, Matias D., et al.
Veröffentlicht: (2025)

Revisiting the Berkeley Admissions data: Statistical Tests for Causal Hypotheses
von: Bhadane, Sourbh, et al.
Veröffentlicht: (2025)

Beyond the Average: Distributional Causal Inference under Imperfect Compliance
von: Byambadalai, Undral, et al.
Veröffentlicht: (2025)

Functional Linear Non-Gaussian Acyclic Model for Causal Discovery
von: Yang, Tian-Le, et al.
Veröffentlicht: (2024)

A Unified Theory for Causal Inference: Direct Debiased Machine Learning via Bregman-Riesz Regression
von: Kato, Masahiro
Veröffentlicht: (2025)

De Finetti + Sanov = Bayes
von: Polson, Nicholas G., et al.
Veröffentlicht: (2025)

Conditional Predictive Inference for General Structured Data with Group Symmetries
von: Shen, Yichen, et al.
Veröffentlicht: (2026)

Granger Causality in Extremes
von: Bodik, Juraj, et al.
Veröffentlicht: (2024)