Buchumschlag

Causal Machine Learning: A Survey and Open Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kaddour, Jean, Lynch, Aengus, Liu, Qi, Kusner, Matt J., Silva, Ricardo
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Persistent Vulnerability of Aligned AI Systems
von: Lynch, Aengus
Veröffentlicht: (2026)

Causal Inference with Complex Treatments: A Survey
von: Wang, Yingrong, et al.
Veröffentlicht: (2024)

Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
von: Ham, Dae Woong, et al.
Veröffentlicht: (2022)

What if? Causal Machine Learning in Supply Chain Risk Management
von: Wyrembek, Mateusz, et al.
Veröffentlicht: (2024)

Towards Representation Learning for Weighting Problems in Design-Based Causal Inference
von: Clivio, Oscar, et al.
Veröffentlicht: (2024)

Enhancing Airline Customer Satisfaction: A Machine Learning and Causal Analysis Approach
von: Mirthipati, Tejas
Veröffentlicht: (2024)

Invariant Causal Set Covering Machines
von: Godon, Thibaud, et al.
Veröffentlicht: (2023)

Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules
von: Li, Michael Lingzhi, et al.
Veröffentlicht: (2024)

Double Machine Learning for Conditional Moment Restrictions: IV Regression, Proximal Causal Learning and Beyond
von: Shao, Daqian, et al.
Veröffentlicht: (2025)

Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

Causal Machine Learning for Surgical Interventions
von: Tamo, J. Ben, et al.
Veröffentlicht: (2025)

Agentic Uncertainty Reveals Agentic Overconfidence
von: Kaddour, Jean, et al.
Veröffentlicht: (2026)

The Missing Link: Allocation Performance in Causal Machine Learning
von: Fischer-Abaigar, Unai, et al.
Veröffentlicht: (2024)

Causal Inference Isn't Special: Why It's Just Another Prediction Problem
von: Fernández-Loría, Carlos
Veröffentlicht: (2025)

Connecting Algorithmic Fairness to Quality Dimensions in Machine Learning in Official Statistics and Survey Production
von: Schenk, Patrick Oliver, et al.
Veröffentlicht: (2024)

A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis
von: Minoccheri, Cristian, et al.
Veröffentlicht: (2026)

Causal Decomposition Analysis with Synergistic Interventions: A Triply-Robust Machine Learning Approach to Addressing Multiple Dimensions of Social Disparities
von: Park, Soojin, et al.
Veröffentlicht: (2025)

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
von: Ren, Yutian, et al.
Veröffentlicht: (2024)

Discrete Causal Representation Learning
von: Zhang, Wenjin, et al.
Veröffentlicht: (2026)

A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
von: Wu, Ying, et al.
Veröffentlicht: (2023)

Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning
von: Fan, Di, et al.
Veröffentlicht: (2023)

A Meta-Learning Approach to Bayesian Causal Discovery
von: Dhir, Anish, et al.
Veröffentlicht: (2024)

CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
von: Zhou, Jiehui, et al.
Veröffentlicht: (2024)

Controllable Generative Sandbox for Causal Inference
von: Zhang, Qi, et al.
Veröffentlicht: (2026)

Double Machine Learning at Scale to Predict Causal Impact of Customer Actions
von: More, Sushant, et al.
Veröffentlicht: (2024)

Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
von: Rahman, Md Musfiqur, et al.
Veröffentlicht: (2024)

Semiparametric Learning from Open-Set Label Shift Data
von: Liu, Siyan, et al.
Veröffentlicht: (2025)

Adjustment Identification Distance: A gadjid for Causal Structure Learning
von: Henckel, Leonard, et al.
Veröffentlicht: (2024)

Coupling Generative Modeling and an Autoencoder with the Causal Bridge
von: Meng, Ruolin, et al.
Veröffentlicht: (2025)

Causal Effect Estimation with Learned Instrument Representations
von: Dean, Frances, et al.
Veröffentlicht: (2026)

Causally-Aware Unsupervised Feature Selection Learning
von: Shen, Zongxin, et al.
Veröffentlicht: (2024)

Position: Causal Machine Learning Requires Rigorous Synthetic Experiments for Broader Adoption
von: Poinsot, Audrey, et al.
Veröffentlicht: (2025)

Robustness of Algorithms for Causal Structure Learning to Hyperparameter Choice
von: Machlanski, Damian, et al.
Veröffentlicht: (2023)

Reinforcement Learning for Causal Discovery without Acyclicity Constraints
von: Duong, Bao, et al.
Veröffentlicht: (2024)

Introducing Diminutive Causal Structure into Graph Representation Learning
von: Gao, Hang, et al.
Veröffentlicht: (2024)

Doubly Robust Proximal Causal Learning for Continuous Treatments
von: Wu, Yong, et al.
Veröffentlicht: (2023)

Towards Identifiability of Hierarchical Temporal Causal Representation Learning
von: Li, Zijian, et al.
Veröffentlicht: (2025)

Causal Contrastive Learning for Counterfactual Regression Over Time
von: Bouchattaoui, Mouad El, et al.
Veröffentlicht: (2024)

Causal-learn: Causal Discovery in Python
von: Zheng, Yujia, et al.
Veröffentlicht: (2023)

A Unified Framework for Structure-Aware Clustering and Heterogeneous Causal Graph Learning
von: Du, Honglin, et al.
Veröffentlicht: (2026)