Buchumschlag

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Melnychuk, Valentyn, Frauen, Dennis, Feuerriegel, Stefan
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Conformal Prediction for Causal Effects of Continuous Treatments
von: Schröder, Maresa, et al.
Veröffentlicht: (2024)

Bayesian Neural Controlled Differential Equations for Treatment Effect Estimation
von: Hess, Konstantin, et al.
Veröffentlicht: (2023)

Overlap-Adaptive Regularization for Conditional Average Treatment Effect Estimation
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2025)

Efficient and Sharp Off-Policy Learning under Unobserved Confounding
von: Hess, Konstantin, et al.
Veröffentlicht: (2025)

Orthogonal Representation Learning for Estimating Causal Quantities
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2025)

Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects
von: Ma, Haorui, et al.
Veröffentlicht: (2026)

Partial Counterfactual Identification of Continuous Outcomes with a Curvature Sensitivity Model
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2023)

Causal Fairness under Unobserved Confounding: A Neural Sensitivity Framework
von: Schröder, Maresa, et al.
Veröffentlicht: (2023)

Treatment Effect Estimation for Optimal Decision-Making
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

Consistent End-to-End Estimation for Counterfactual Fairness
von: Ma, Yuchen, et al.
Veröffentlicht: (2023)

Learning Representations of Instruments for Partial Identification of Treatment Effects
von: Schweisthal, Jonas, et al.
Veröffentlicht: (2024)

LLM-Driven Treatment Effect Estimation Under Inference Time Text Confounding
von: Ma, Yuchen, et al.
Veröffentlicht: (2025)

IGC-Net for conditional average potential outcome estimation over time
von: Hess, Konstantin, et al.
Veröffentlicht: (2024)

Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments
von: Schweisthal, Jonas, et al.
Veröffentlicht: (2024)

Differentially Private Learners for Heterogeneous Treatment Effects
von: Schröder, Maresa, et al.
Veröffentlicht: (2025)

GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2025)

ConfoundingSHAP: Quantifying confounding strength in causal inference
von: Brockschmidt, Marie, et al.
Veröffentlicht: (2026)

DeepBlip: Estimating Conditional Average Treatment Effects Over Time
von: Ma, Haorui, et al.
Veröffentlicht: (2025)

An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes
von: Javurek, Emil, et al.
Veröffentlicht: (2025)

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2024)

Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

A Neural Framework for Generalized Causal Sensitivity Analysis
von: Frauen, Dennis, et al.
Veröffentlicht: (2023)

Rank-Learner: Orthogonal Ranking of Treatment Effects
von: Arno, Henri, et al.
Veröffentlicht: (2026)

DiffPO: A causal diffusion model for learning distributions of potential outcomes
von: Ma, Yuchen, et al.
Veröffentlicht: (2024)

Model-agnostic meta-learners for estimating heterogeneous treatment effects over time
von: Frauen, Dennis, et al.
Veröffentlicht: (2024)

A Diffusion-Based Method for Learning the Multi-Outcome Distribution of Medical Treatments
von: Ma, Yuchen, et al.
Veröffentlicht: (2025)

Frequentist Consistency of Prior-Data Fitted Networks for Causal Inference
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2026)

Constructing Confidence Intervals for Average Treatment Effects from Multiple Datasets
von: Wang, Yuxin, et al.
Veröffentlicht: (2024)

Deep Disentangled Representation Network for Treatment Effect Estimation
von: Meng, Hui, et al.
Veröffentlicht: (2025)

SurvDiff: A Diffusion Model for Generating Synthetic Data in Survival Analysis
von: Brockschmidt, Marie, et al.
Veröffentlicht: (2025)

Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders
von: Du, Xiaojing, et al.
Veröffentlicht: (2025)

Optimizing Graph Causal Classification Models: Estimating Causal Effects and Addressing Confounders
von: Job, Simi, et al.
Veröffentlicht: (2026)

Debiased neural operators for estimating functionals
von: Hess, Konstantin, et al.
Veröffentlicht: (2026)

Causal Machine Learning for Cost-Effective Allocation of Development Aid
von: Kuzmanovic, Milan, et al.
Veröffentlicht: (2024)

Foundation Models for Causal Inference via Prior-Data Fitted Networks
von: Ma, Yuchen, et al.
Veröffentlicht: (2025)

Generalized Bayes for Causal Inference
von: Javurek, Emil, et al.
Veröffentlicht: (2026)

Information-Theoretic Causal Bounds under Unmeasured Confounding
von: Jung, Yonghan, et al.
Veröffentlicht: (2026)

ORTHOBO: Orthogonal Bayesian Hyperparameter Optimization
von: Schröder, Maresa, et al.
Veröffentlicht: (2026)

Causal machine learning for predicting treatment outcomes
von: Feuerriegel, Stefan, et al.
Veröffentlicht: (2024)

Towards Robust Trajectory Representations: Isolating Environmental Confounders with Causal Learning
von: Luo, Kang, et al.
Veröffentlicht: (2024)