Buchumschlag

Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fan, Di, Kou, Yannian, Gao, Chuanhou
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Network Representations with Disentangled Graph Auto-Encoder
von: Fan, Di, et al.
Veröffentlicht: (2024)

Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables
von: Xie, Yang, et al.
Veröffentlicht: (2024)

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

LILI clustering algorithm: Limit Inferior Leaf Interval Integrated into Causal Forest for Causal Interference
von: Dong, Yiran, et al.
Veröffentlicht: (2025)

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

RepFlow: Representation Enhanced Flow Matching for Causal Effect Estimation
von: Xie, Yifei, et al.
Veröffentlicht: (2026)

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

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

CaMU: Disentangling Causal Effects in Deep Model Unlearning
von: Shen, Shaofei, et al.
Veröffentlicht: (2024)

Causal Representation Learning with Optimal Compression under Complex Treatments
von: Liang, Wanting, et al.
Veröffentlicht: (2026)

Structure Maintained Representation Learning Neural Network for Causal Inference
von: Sun, Yang, et al.
Veröffentlicht: (2025)

Causality-Inspired Robustness for Nonlinear Models via Representation Learning
von: Šola, Marin, et al.
Veröffentlicht: (2025)

Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap
von: Clivio, Oscar, et al.
Veröffentlicht: (2026)

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

Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
von: Li, Haoze, et al.
Veröffentlicht: (2025)

Measure-Theoretic Anti-Causal Representation Learning
von: Behnam, Arman, et al.
Veröffentlicht: (2025)

Causal Representation Learning from Multimodal Biomedical Observations
von: Sun, Yuewen, et al.
Veröffentlicht: (2024)

Disentangle Estimation of Causal Effects from Cross-Silo Data
von: Liu, Yuxuan, et al.
Veröffentlicht: (2024)

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

Multi-Domain Empirical Bayes for Linearly-Mixed Causal Representations
von: Wu, Bohan, et al.
Veröffentlicht: (2026)

Hierarchical and Density-based Causal Clustering
von: Kim, Kwangho, et al.
Veröffentlicht: (2024)

Causal effects based on distributional distances
von: Kim, Kwangho, et al.
Veröffentlicht: (2018)

Local Causal Discovery for Estimating Causal Effects
von: Gupta, Shantanu, et al.
Veröffentlicht: (2023)

Scalable Variational Causal Discovery Unconstrained by Acyclicity
von: Hoang, Nu, et al.
Veröffentlicht: (2024)

GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies
von: Nguyen, Minh, et al.
Veröffentlicht: (2022)

Marginal Causal Flows for Validation and Inference
von: Manela, Daniel de Vassimon, et al.
Veröffentlicht: (2024)

HNCI: High-Dimensional Network Causal Inference
von: Du, Wenqin, et al.
Veröffentlicht: (2024)

CausalFormer: An Interpretable Transformer for Temporal Causal Discovery
von: Kong, Lingbai, et al.
Veröffentlicht: (2024)

DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations
von: Zhu, Jiageng, et al.
Veröffentlicht: (2024)

Learning Causal Abstractions of Linear Structural Causal Models
von: Massidda, Riccardo, et al.
Veröffentlicht: (2024)

Causal Additive Models with Unobserved Causal Paths and Backdoor Paths
von: Pham, Thong, et al.
Veröffentlicht: (2025)

Towards Interpretable Deep Generative Models via Causal Representation Learning
von: Moran, Gemma E., et al.
Veröffentlicht: (2025)

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

Causal SHAP: Feature Attribution with Dependency Awareness through Causal Discovery
von: Ng, Woon Yee, et al.
Veröffentlicht: (2025)

The Amenability Framework: Rethinking Causal Ordering Without Estimating Causal Effects
von: Fernández-Loría, Carlos, et al.
Veröffentlicht: (2025)

Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding
von: Schkoda, Daniela, et al.
Veröffentlicht: (2024)

Structural Causality-based Generalizable Concept Discovery Models
von: Sinha, Sanchit, et al.
Veröffentlicht: (2024)

Optimization-based Causal Estimation from Heterogenous Environments
von: Yin, Mingzhang, et al.
Veröffentlicht: (2021)

A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity
von: Lin, Jiahe, et al.
Veröffentlicht: (2024)

TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data
von: Faruque, Omar, et al.
Veröffentlicht: (2024)