Buchumschlag

On the Effects of Irrelevant Variables in Treatment Effect Estimation with Deep Disentanglement

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Khan, Ahmad Saeed, Schaffernicht, Erik, Stork, Johannes Andreas
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
von: Khan, Ahmad Saeed, et al.
Veröffentlicht: (2025)

Inverse Optimization Latent Variable Models for Learning Costs Applied to Route Problems
von: Lahoud, Alan A., et al.
Veröffentlicht: (2025)

Learning Solutions of Stochastic Optimization Problems with Bayesian Neural Networks
von: Lahoud, Alan A., et al.
Veröffentlicht: (2024)

DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context
von: Lahoud, Alan A., et al.
Veröffentlicht: (2024)

Towards Interpretable Reinforcement Learning with Constrained Normalizing Flow Policies
von: Rietz, Finn, et al.
Veröffentlicht: (2024)

Deep Disentangled Representation Network for Treatment Effect Estimation
von: Meng, Hui, et al.
Veröffentlicht: (2025)

Disentangled Graph Autoencoder for Treatment Effect Estimation
von: Fan, Di, et al.
Veröffentlicht: (2024)

Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation
von: Cui, Ruijing, et al.
Veröffentlicht: (2024)

Prioritized Soft Q-Decomposition for Lexicographic Reinforcement Learning
von: Rietz, Finn, et al.
Veröffentlicht: (2023)

APC-RL: Exceeding Data-Driven Behavior Priors with Adaptive Policy Composition
von: Rietz, Finn, et al.
Veröffentlicht: (2026)

What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work?
von: Dandl, Susanne, et al.
Veröffentlicht: (2022)

Improving Faithfulness of Abstractive Summarization by Controlling Confounding Effect of Irrelevant Sentences
von: Ghoshal, Asish, et al.
Veröffentlicht: (2022)

Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence
von: Paillard, Joseph, et al.
Veröffentlicht: (2024)

PIPCFR: Pseudo-outcome Imputation with Post-treatment Variables for Individual Treatment Effect Estimation
von: Lin, Zichuan, et al.
Veröffentlicht: (2025)

CaMU: Disentangling Causal Effects in Deep Model Unlearning
von: Shen, Shaofei, et al.
Veröffentlicht: (2024)

Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
von: Papakostas, Demetrios, et al.
Veröffentlicht: (2024)

Optimal Transport for Treatment Effect Estimation
von: Wang, Hao, et al.
Veröffentlicht: (2023)

Disentangled Double Machine Learning for Accurate Causal Effect Estimation
von: Xiang, Guodu, 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)

Latent Variable Modeling for Robust Causal Effect Estimation
von: Morimura, Tetsuro, et al.
Veröffentlicht: (2025)

Federated Learning for Estimating Heterogeneous Treatment Effects
von: Makhija, Disha, et al.
Veröffentlicht: (2024)

Treatment Effect Estimation for Graph-Structured Targets
von: Harada, Shonosuke, et al.
Veröffentlicht: (2024)

Reliable Selection of Heterogeneous Treatment Effect Estimators
von: Guo, Jiayi, et al.
Veröffentlicht: (2025)

Estimating Aleatoric Uncertainty in the Causal Treatment Effect
von: Xu, Liyuan, et al.
Veröffentlicht: (2026)

Treatment Effect Estimation for Optimal Decision-Making
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

On the Fly Adaptation of Behavior Tree-Based Policies through Reinforcement Learning
von: Iannotta, Marco, et al.
Veröffentlicht: (2025)

Treatment Effect Estimation with Differentiated Networked Effect on Graph Data
von: Lin, Xiaofeng, et al.
Veröffentlicht: (2026)

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

Optimal Adaptive Experimental Design for Estimating Treatment Effect
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction
von: Schuessler, Maximilian, et al.
Veröffentlicht: (2025)

Disentanglement Analysis in Deep Latent Variable Models Matching Aggregate Posterior Distributions
von: Saha, Surojit, et al.
Veröffentlicht: (2025)

Individualised Treatment Effects Estimation with Composite Treatments and Composite Outcomes
von: Chauhan, Vinod Kumar, et al.
Veröffentlicht: (2025)

Cluster Metric Sensitivity to Irrelevant Features
von: McCrory, Miles, et al.
Veröffentlicht: (2024)

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

KEA: Keeping Exploration Alive by Proactively Coordinating Exploration Strategies
von: Yang, Shih-Min, et al.
Veröffentlicht: (2025)

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

Estimating Treatment Effects with Independent Component Analysis
von: Reizinger, Patrik, et al.
Veröffentlicht: (2025)

Logarithmic Neyman Regret for Adaptive Estimation of the Average Treatment Effect
von: Neopane, Ojash, et al.
Veröffentlicht: (2024)

Overlap-Adaptive Regularization for Conditional Average Treatment Effect Estimation
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2025)

Estimating Treatment Effects in Networks using Domain Adversarial Training
von: Caljon, Daan, et al.
Veröffentlicht: (2025)