Copertina

CaMU: Disentangling Causal Effects in Deep Model Unlearning

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Shen, Shaofei, Zhang, Chenhao, Bialkowski, Alina, Chen, Weitong, Xu, Miao
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning Methodology
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Label-Agnostic Forgetting: A Supervision-Free Unlearning in Deep Models
di: Shen, Shaofei, et al.
Pubblicazione: (2024)

Machine Unlearning for Streaming Forgetting
di: Shen, Shaofei, et al.
Pubblicazione: (2025)

Toward Efficient Data-Free Unlearning
di: Zhang, Chenhao, et al.
Pubblicazione: (2024)

GENIU: A Restricted Data Access Unlearning for Imbalanced Data
di: Zhang, Chenhao, et al.
Pubblicazione: (2024)

MMCE: A Framework for Deep Monotonic Modeling of Multiple Causal Effects
di: Chen, Juhua, et al.
Pubblicazione: (2025)

Unlearning Evaluation through Subset Statistical Independence
di: Zhang, Chenhao, et al.
Pubblicazione: (2026)

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

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

Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference
di: Chen, Li, et al.
Pubblicazione: (2026)

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

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

Distinguishing Cause from Effect with Causal Velocity Models
di: Xi, Johnny, et al.
Pubblicazione: (2025)

Topological Causal Effects
di: Kim, Kwangho, et al.
Pubblicazione: (2026)

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

Causal Effect Identification in LiNGAM Models with Latent Confounders
di: Tramontano, Daniele, et al.
Pubblicazione: (2024)

Identification of Average Causal Effects in Confounded Additive Noise Models
di: Elahi, Muhammad Qasim, et al.
Pubblicazione: (2024)

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

Flexible Nonparametric Inference for Causal Effects under the Front-Door Model
di: Guo, Anna, et al.
Pubblicazione: (2023)

CaRiNG: Learning Temporal Causal Representation under Non-Invertible Generation Process
di: Chen, Guangyi, et al.
Pubblicazione: (2024)

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

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

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

Linking Model Intervention to Causal Interpretation in Model Explanation
di: Cheng, Debo, et al.
Pubblicazione: (2024)

Interventional Time Series Priors for Causal Foundation Models
di: Thumm, Dennis, et al.
Pubblicazione: (2026)

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

On the Granularity of Causal Effect Identifiability
di: Chen, Yizuo, et al.
Pubblicazione: (2025)

Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
di: Zhou, Guanhao, et al.
Pubblicazione: (2025)

Compositional Models for Estimating Causal Effects
di: Pruthi, Purva, et al.
Pubblicazione: (2024)

Hierarchical Causal Models
di: Weinstein, Eli N., et al.
Pubblicazione: (2024)

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

Causality-oriented robustness: exploiting general noise interventions
di: Shen, Xinwei, et al.
Pubblicazione: (2023)

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

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

The Challenges of Hyperparameter Tuning for Accurate Causal Effect Estimation
di: Machlanski, Damian, et al.
Pubblicazione: (2023)

Considerations for Estimating Causal Effects of Informatively Timed Treatments
di: Oganisian, Arman
Pubblicazione: (2025)

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

A Doubly Robust Machine Learning Approach for Disentangling Treatment Effect Heterogeneity with Functional Outcomes
di: Salmaso, Filippo, et al.
Pubblicazione: (2026)

Frugal, Flexible, Faithful: Causal Data Simulation via Frengression
di: Yang, Linying, et al.
Pubblicazione: (2025)

The Estimation of Continual Causal Effect for Dataset Shifting Streams
di: Chen, Baining, et al.
Pubblicazione: (2025)

On the Parameter Identifiability of Partially Observed Linear Causal Models
di: Dong, Xinshuai, et al.
Pubblicazione: (2024)