Buchumschlag

Adjustment Identification Distance: A gadjid for Causal Structure Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Henckel, Leonard, Würtzen, Theo, Weichwald, Sebastian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2025)

Linear-Time Primitives for Algorithm Development in Graphical Causal Inference
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2025)

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

Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past
von: Thams, Nikolaj, et al.
Veröffentlicht: (2022)

Causal Identification in Time Series Models
von: Jahn, Erik, et al.
Veröffentlicht: (2025)

A Kernel Test for Causal Association via Noise Contrastive Backdoor Adjustment
von: Hu, Robert, et al.
Veröffentlicht: (2021)

Causal Bandit Over Unknown Graphs: Upper Confidence Bounds With Backdoor Adjustment
von: Zhao, Yijia, et al.
Veröffentlicht: (2025)

Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data
von: Guo, Siyuan, et al.
Veröffentlicht: (2022)

Model-oriented Graph Distances via Partially Ordered Sets
von: Taeb, Armeen, et al.
Veröffentlicht: (2025)

Minimum Specification Perturbation: Robustness as Distance-to-Falsification in Causal Inference
von: Dang, Hoang, et al.
Veröffentlicht: (2026)

Comparing Two Proxy Methods for Causal Identification
von: Guo, Helen, et al.
Veröffentlicht: (2025)

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

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

Multi-modal Causal Structure Learning and Root Cause Analysis
von: Zheng, Lecheng, et al.
Veröffentlicht: (2024)

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

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

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

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

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

Data Fusion for Partial Identification of Causal Effects
von: Lanners, Quinn, et al.
Veröffentlicht: (2025)

Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework
von: Schröder, Maresa, et al.
Veröffentlicht: (2026)

The Case for Time in Causal DAGs
von: Reisach, Alexander G., et al.
Veröffentlicht: (2025)

Machine Learning Assisted Adjustment Boosts Efficiency of Exact Inference in Randomized Controlled Trials
von: Yu, Han, et al.
Veröffentlicht: (2024)

Causal Temporal Regime Structure Learning
von: Rahmani, Abdellah, et al.
Veröffentlicht: (2023)

On Learning Causal Structures from Non-Experimental Data without Any Faithfulness Assumption
von: Lin, Hanti, et al.
Veröffentlicht: (2018)

Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
von: Tramontano, Daniele, et al.
Veröffentlicht: (2025)

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

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

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

Linear-Time Algorithms for Front-Door Adjustment in Causal Graphs
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2022)

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

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

Causal Machine Learning: A Survey and Open Problems
von: Kaddour, Jean, et al.
Veröffentlicht: (2022)

Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions
von: Gamella, Juan L., et al.
Veröffentlicht: (2022)

DCILP: A Distributed Approach for Large-Scale Causal Structure Learning
von: Dong, Shuyu, et al.
Veröffentlicht: (2024)

Estimate Level Adjustment For Inference With Proxies Under Random Distribution Shifts
von: Wilkins-Reeves, Steven, et al.
Veröffentlicht: (2026)

Practically Effective Adjustment Variable Selection in Causal Inference
von: Noda, Atsushi, et al.
Veröffentlicht: (2025)

Fast Proxy Experiment Design for Causal Effect Identification
von: Elahi, Sepehr, et al.
Veröffentlicht: (2024)

s-ID: Causal Effect Identification in a Sub-Population
von: Abouei, Amir Mohammad, et al.
Veröffentlicht: (2023)

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