Buchumschlag

Learning Causal Abstractions of Linear Structural Causal Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Massidda, Riccardo, Magliacane, Sara, Bacciu, Davide
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Combining Causal Models for More Accurate Abstractions of Neural Networks
von: Pîslar, Theodora-Mara, et al.
Veröffentlicht: (2025)

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

Partially Observed Structural Causal Models
von: Orujlu, Turan, et al.
Veröffentlicht: (2026)

Local Causal Discovery for Statistically Efficient Causal Inference
von: Schubert, Mátyás, et al.
Veröffentlicht: (2025)

Identifying Conditional Causal Effects in MPDAGs
von: LaPlante, Sara, et al.
Veröffentlicht: (2025)

Multi-Domain Causal Discovery in Bijective Causal Models
von: Jalaldoust, Kasra, et al.
Veröffentlicht: (2025)

Language Agents Meet Causality -- Bridging LLMs and Causal World Models
von: Gkountouras, John, et al.
Veröffentlicht: (2024)

Towards Causal Foundation Model: on Duality between Causal Inference and Attention
von: Zhang, Jiaqi, et al.
Veröffentlicht: (2023)

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

Integrating Large Language Models in Causal Discovery: A Statistical Causal Approach
von: Takayama, Masayuki, et al.
Veröffentlicht: (2024)

Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning
von: Zhang, Jiaru, et al.
Veröffentlicht: (2025)

Learning Causal Structure of Time Series using Best Order Score Search
von: Mansilla, Irene Gema Castillo, et al.
Veröffentlicht: (2026)

Towards the Reusability and Compositionality of Causal Representations
von: Talon, Davide, et al.
Veröffentlicht: (2024)

Shapley-PC: Constraint-based Causal Structure Learning with a Shapley Inspired Framework
von: Russo, Fabrizio, et al.
Veröffentlicht: (2023)

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

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

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

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

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

Foundations of Structural Causal Models with Latent Selection
von: Chen, Leihao, et al.
Veröffentlicht: (2024)

Modular Learning of Deep Causal Generative Models for High-dimensional Causal Inference
von: Rahman, Md Musfiqur, et al.
Veröffentlicht: (2024)

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

Causal Preference Elicitation
von: Bonilla, Edwin V., et al.
Veröffentlicht: (2026)

DIGIC: Domain Generalizable Imitation Learning by Causal Discovery
von: Chen, Yang, et al.
Veröffentlicht: (2024)

CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios
von: Yi, Huiyang, et al.
Veröffentlicht: (2026)

Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders
von: Toth, Christian, et al.
Veröffentlicht: (2024)

Generalized Independent Noise Condition for Estimating Causal Structure with Latent Variables
von: Xie, Feng, et al.
Veröffentlicht: (2023)

Causal Machine Learning for Surgical Interventions
von: Tamo, J. Ben, et al.
Veröffentlicht: (2025)

Causal Structure Representation Learning of Confounders in Latent Space for Recommendation
von: Xu, Hangtong, et al.
Veröffentlicht: (2023)

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
von: Ren, Yutian, et al.
Veröffentlicht: (2024)

Towards Learning and Explaining Indirect Causal Effects in Neural Networks
von: Reddy, Abbavaram Gowtham, et al.
Veröffentlicht: (2023)

Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
von: Zhang, Zheyu, et al.
Veröffentlicht: (2025)

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

Discovering and Reasoning of Causality in the Hidden World with Large Language Models
von: Liu, Chenxi, et al.
Veröffentlicht: (2024)

Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
von: Hoang, Nu, et al.
Veröffentlicht: (2024)

Efficient Causal Graph Discovery Using Large Language Models
von: Jiralerspong, Thomas, et al.
Veröffentlicht: (2024)

Effective Causal Discovery under Identifiable Heteroscedastic Noise Model
von: Yin, Naiyu, et al.
Veröffentlicht: (2023)

Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation
von: Mahajan, Divyat, et al.
Veröffentlicht: (2022)

SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
von: Schubert, Mátyás, et al.
Veröffentlicht: (2025)

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