Buchumschlag

Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xie, Yang, Xu, Ziqi, Cheng, Debo, Li, Jiuyong, Liu, Lin, Zhang, Yinghao, Feng, Zaiwen
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

Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders
von: Du, Xiaojing, et al.
Veröffentlicht: (2025)

Linking Model Intervention to Causal Interpretation in Model Explanation
von: Cheng, Debo, et al.
Veröffentlicht: (2024)

Bayesian Causal Discovery with Cycles and Latent Confounders
von: Jin, Wei, et al.
Veröffentlicht: (2025)

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

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

Choosing the Right Approach at the Right Time: A Comparative Analysis of Causal Effect Estimation using Confounder Adjustment and Instrumental Variables
von: Zawadzki, Roy S., et al.
Veröffentlicht: (2023)

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

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

Marginal Causal Effect Estimation with Continuous Instrumental Variables
von: Dong, Mei, et al.
Veröffentlicht: (2025)

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

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

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

Multi-Cause Deconfounding for Recommender Systems with Latent Confounders
von: Huang, Zhirong, et al.
Veröffentlicht: (2024)

Mitigating Dual Latent Confounding Biases in Recommender Systems
von: Deng, Jianfeng, et al.
Veröffentlicht: (2024)

Sparse Causal Effect Estimation using Two-Sample Summary Statistics in the Presence of Unmeasured Confounding
von: Huang, Shimeng, et al.
Veröffentlicht: (2024)

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

Heterogeneous Quantile Treatment Effect Estimation for Longitudinal Data with High-Dimensional Confounding
von: Qiu, Zhixin, et al.
Veröffentlicht: (2025)

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

Automating the Selection of Proxy Variables of Unmeasured Confounders
von: Xie, Feng, et al.
Veröffentlicht: (2024)

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

On Quantile Treatment Effects, Rank Similarity,and Variation of Instrumental Variables
von: Han, Sukjin, et al.
Veröffentlicht: (2025)

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

Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding
von: Ferreira, Simon, et al.
Veröffentlicht: (2024)

Auto-Doubly Robust Estimation of Causal Effects on a Network
von: Liu, Jizhou, et al.
Veröffentlicht: (2025)

Instrumental Variable Estimation of Distributional Causal Effects
von: Kook, Lucas, et al.
Veröffentlicht: (2024)

When Is Causal Inference Possible? A Statistical Test for Unmeasured Confounding
von: Liu, Muye, et al.
Veröffentlicht: (2025)

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

Copula-based Sensitivity Analysis for Multi-Treatment Causal Inference with Unobserved Confounding
von: Zheng, Jiajing, et al.
Veröffentlicht: (2021)

Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding
von: Zou, Yushu, et al.
Veröffentlicht: (2025)

Nonlinear Causal Discovery with Confounders
von: Li, Chunlin, et al.
Veröffentlicht: (2023)

Forecasting Causal Effects of Future Interventions: Confounding and Transportability Issues
von: Forastiere, Laura, et al.
Veröffentlicht: (2024)

Distribution Matching Variational AutoEncoder
von: Ye, Sen, et al.
Veröffentlicht: (2025)

A Non-parametric Direct Learning Approach to Heterogeneous Treatment Effect Estimation under Unmeasured Confounding
von: Zhang, Xinhai, et al.
Veröffentlicht: (2024)

Micro-randomized Trials with Categorical Treatments: Causal Effect Estimation and Sample Size Calculation
von: Lin, Jeremy, et al.
Veröffentlicht: (2025)

Sharp Bounds for Continuous-Valued Treatment Effects with Unobserved Confounders
von: Baitairian, Jean-Baptiste, et al.
Veröffentlicht: (2024)

Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
von: Näf, Jeffrey, et al.
Veröffentlicht: (2024)

Causal Modelling of Heavy-Tailed Variables and Confounders with Application to River Flow
von: Pasche, Olivier C., et al.
Veröffentlicht: (2021)

Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
von: Fu, Jiawei, et al.
Veröffentlicht: (2026)

Debiased Inverse Propensity Score Weighting for Estimation of Average Treatment Effects with High-Dimensional Confounders
von: Wang, Yuhao, et al.
Veröffentlicht: (2020)

Latent Network Estimation and Variable Selection for Compositional Data via Variational EM
von: Osborne, Nathan, et al.
Veröffentlicht: (2020)