Buchumschlag

Causal hybrid modeling with double machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cohrs, Kai-Hendrik, Varando, Gherardo, Carvalhais, Nuno, Reichstein, Markus, Camps-Valls, Gustau
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

Out-of-distribution robustness for multivariate analysis via causal regularisation
von: Durand, Homer, et al.
Veröffentlicht: (2024)

Staged Event Trees for Transparent Treatment Effect Estimation
von: Varando, Gherardo, et al.
Veröffentlicht: (2025)

Learning Causal Response Representations through Direct Effect Analysis
von: Durand, Homer, et al.
Veröffentlicht: (2025)

Large Language Models for Constrained-Based Causal Discovery
von: Cohrs, Kai-Hendrik, et al.
Veröffentlicht: (2024)

Recovering Latent Confounders from High-dimensional Proxy Variables
von: Mankovich, Nathan, et al.
Veröffentlicht: (2024)

Bayesian Causal Effect Estimation for Categorical Data using Staged Tree Models
von: Cremaschi, Andrea, et al.
Veröffentlicht: (2025)

Context-Specific Refinements of Bayesian Network Classifiers
von: Leonelli, Manuele, et al.
Veröffentlicht: (2024)

Worst-case low-rank approximations
von: Fries, Anya, et al.
Veröffentlicht: (2026)

Maximum Risk Minimization with Random Forests
von: Freni, Francesco, et al.
Veröffentlicht: (2025)

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

Assessing the Causal Impact of Humanitarian Aid on Food Security
von: Cerdà-Bautista, Jordi, et al.
Veröffentlicht: (2023)

Accounting for multiplicity in machine learning benchmark performance
von: Møllersen, Kajsa, et al.
Veröffentlicht: (2023)

Causal machine learning for sustainable agroecosystems
von: Sitokonstantinou, Vasileios, et al.
Veröffentlicht: (2024)

Functional effects models: Accounting for preference heterogeneity in panel data with machine learning
von: Salvadé, Nicolas, et al.
Veröffentlicht: (2025)

Stability of clinical prediction models developed using statistical or machine learning methods
von: Riley, Richard D, et al.
Veröffentlicht: (2022)

Orthogonal machine learning for conditional odds and risk ratios
von: Ge, Jiacheng, et al.
Veröffentlicht: (2026)

Sample size determination for machine learning in medical research
von: Arifin, Wan Nor, et al.
Veröffentlicht: (2025)

A step towards the integration of machine learning and classic model-based survey methods
von: Żądło, Tomasz, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Deep Learning for Wildfire Danger Forecasting
von: Kondylatos, Spyros, et al.
Veröffentlicht: (2025)

Beyond algorithm hyperparameters: on preprocessing hyperparameters and associated pitfalls in machine learning applications
von: Sauer, Christina, et al.
Veröffentlicht: (2024)

Adaptive debiased machine learning using data-driven model selection techniques
von: van der Laan, Lars, et al.
Veröffentlicht: (2023)

Estimating Staged Event Tree Models via Hierarchical Clustering on the Simplex
von: Shoaib, Muhammad, et al.
Veröffentlicht: (2026)

A new machine learning framework for occupational accidents forecasting with safety inspections integration
von: Yapi, Aho, et al.
Veröffentlicht: (2025)

Improving reproducibility by controlling random seed stability in machine learning based estimation via bagging
von: Williams, Nicholas, et al.
Veröffentlicht: (2026)

Fun with Flags: Robust Principal Directions via Flag Manifolds
von: Mankovich, Nathan, et al.
Veröffentlicht: (2024)

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

Learning Staged Trees from Incomplete Data
von: Carter, Jack Storror, et al.
Veröffentlicht: (2024)

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

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

Transfer learning under latent space model
von: Fang, Kuangnan, et al.
Veröffentlicht: (2025)

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

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

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

Hierarchical Causal Models
von: Weinstein, Eli N., et al.
Veröffentlicht: (2024)

Topological Causal Effects
von: Kim, Kwangho, et al.
Veröffentlicht: (2026)

The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
von: Brouillard, Philippe, et al.
Veröffentlicht: (2024)

Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study
von: Berzuini, Carlo, et al.
Veröffentlicht: (2024)

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

Gaussianizing the Earth: Multidimensional Information Measures for Earth Data Analysis
von: Johnson, J. Emmanuel, et al.
Veröffentlicht: (2020)

Nonparametric learning of heterogeneous graphical model on network-linked data
von: Wang, Yuwen, et al.
Veröffentlicht: (2025)