Buchumschlag

Identification of Average Causal Effects in Confounded Additive Noise Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Elahi, Muhammad Qasim, Ghasemi, Mahsa, Kocaoglu, Murat
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sample Efficient Bayesian Learning of Causal Graphs from Interventions
von: Zhou, Zihan, et al.
Veröffentlicht: (2024)

Partial Structure Discovery is Sufficient for No-regret Learning in Causal Bandits
von: Elahi, Muhammad Qasim, et al.
Veröffentlicht: (2024)

Adaptive Online Experimental Design for Causal Discovery
von: Elahi, Muhammad Qasim, et al.
Veröffentlicht: (2024)

Characterization and Learning of Causal Graphs from Hard Interventions
von: Zhou, Zihan, et al.
Veröffentlicht: (2025)

Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
von: Rahman, Md Musfiqur, 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 Effect Identification in LiNGAM Models with Latent Confounders
von: Tramontano, Daniele, et al.
Veröffentlicht: (2024)

Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models
von: Zhou, Zeyu, et al.
Veröffentlicht: (2023)

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

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

Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding
von: Hafer, Marlies, et al.
Veröffentlicht: (2025)

Bounds and Sensitivity Analysis of the Causal Effect Under Outcome-Independent MNAR Confounding
von: Peña, Jose M.
Veröffentlicht: (2024)

Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
von: Lorbeer, Boris, et al.
Veröffentlicht: (2024)

Nonparametric Identification and Inference for Counterfactual Distributions with Confounding
von: Sun, Jianle, et al.
Veröffentlicht: (2026)

Identification of Average Treatment Effects in Nonparametric Panel Models
von: Athey, Susan, et al.
Veröffentlicht: (2025)

Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
von: Sethuraman, Muralikrishnna G., et al.
Veröffentlicht: (2025)

A Recipe for Causal Graph Regression: Confounding Effects Revisited
von: Yin, Yujia, et al.
Veröffentlicht: (2025)

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

Towards Identifiable Latent Additive Noise Models
von: Liu, Yuhang, et al.
Veröffentlicht: (2024)

Causal Inference with Categorical Unobserved Confounder via Mixture Learning
von: Saha, Aytijhya, et al.
Veröffentlicht: (2026)

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

A Bayesian Additive Regression Tree Model for Learning Conditional Average Treatment Effects in Regression Discontinuity Designs
von: Alcantara, Rafael, et al.
Veröffentlicht: (2025)

Reinforcement Learning from Multi-level and Episodic Human Feedback
von: Elahi, Muhammad Qasim, et al.
Veröffentlicht: (2025)

Identifying and Estimating Causal Direct Effects Under Unmeasured Confounding
von: Boileau, Philippe, et al.
Veröffentlicht: (2026)

Direct Bayesian Additive Regression Trees for Conditional Average Treatment Effects in Regression Discontinuity Designs
von: Kondo, Daisuke, et al.
Veröffentlicht: (2026)

Generalized Criterion for Identifiability of Additive Noise Models Using Majorization
von: Dallakyan, Aramayis, et al.
Veröffentlicht: (2024)

Sequential Treatment Effect Estimation with Unmeasured Confounders
von: Wang, Yingrong, et al.
Veröffentlicht: (2025)

iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models
von: Chen, Tianyu, et al.
Veröffentlicht: (2023)

GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding
von: Oprescu, Miruna, et al.
Veröffentlicht: (2025)

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

Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
von: Luo, Gongxu, et al.
Veröffentlicht: (2025)

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

Long-term Causal Inference Under Persistent Confounding via Data Combination
von: Imbens, Guido, et al.
Veröffentlicht: (2022)

Estimating Dyadic Treatment Effects with Unknown Confounders
von: Hoshino, Tadao, et al.
Veröffentlicht: (2024)

Average Causal Effect Estimation in DAGs with Hidden Variables: Beyond Back-Door and Front-Door Criteria
von: Guo, Anna, et al.
Veröffentlicht: (2024)

Estimating Average Causal Effects with Incomplete Exposure and Confounders
von: Wen, Lan, et al.
Veröffentlicht: (2025)

Causal Discovery in Structural VAR Models Under Equal Noise Variance
von: HasanAbadi, SeyedSina Seyedi, et al.
Veröffentlicht: (2026)

Discovering Causal Relationships using Proxy Variables under Unmeasured Confounding
von: Wu, Yong, et al.
Veröffentlicht: (2025)

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

SpaCE: The Spatial Confounding Environment
von: Tec, Mauricio, et al.
Veröffentlicht: (2023)