Buchumschlag

Causal Rule Forest: Toward Interpretable and Precise Treatment Effect Estimation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hsu, Chan, Wu, Jun-Ting, Kang, Yihuang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding eGFR Trajectories and Kidney Function Decline via Large Multimodal Models
von: Li, Chih-Yuan, et al.
Veröffentlicht: (2024)

LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
von: Lee, Po-Han, et al.
Veröffentlicht: (2025)

Towards Interpretable Renal Health Decline Forecasting via Multi-LMM Collaborative Reasoning Framework
von: Wu, Peng-Yi, et al.
Veröffentlicht: (2025)

Subgroup Analysis via Model-based Rule Forest
von: Cheng, I-Ling, et al.
Veröffentlicht: (2024)

Locally Interpretable Individualized Treatment Rules for Black-Box Decision Models
von: Charvadeh, Yasin Khadem, et al.
Veröffentlicht: (2026)

I See, Therefore I Do: Estimating Causal Effects for Image Treatments
von: Thorat, Abhinav, et al.
Veröffentlicht: (2024)

Estimating Causal Effects from Learned Causal Networks
von: Raichev, Anna, et al.
Veröffentlicht: (2024)

Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks
von: Patil, Gandharv, et al.
Veröffentlicht: (2026)

From Black-box to Causal-box: Towards Building More Interpretable Models
von: Hwang, Inwoo, et al.
Veröffentlicht: (2025)

Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection
von: Cho, Dongchan, et al.
Veröffentlicht: (2025)

Optimizing Graph Causal Classification Models: Estimating Causal Effects and Addressing Confounders
von: Job, Simi, et al.
Veröffentlicht: (2026)

Conformal Prediction for Causal Effects of Continuous Treatments
von: Schröder, Maresa, et al.
Veröffentlicht: (2024)

Interpretable Hybrid-Rule Temporal Point Processes
von: Cao, Yunyang, et al.
Veröffentlicht: (2025)

Interpretable Representation Learning for Additive Rule Ensembles
von: Behzadimanesh, Shahrzad, et al.
Veröffentlicht: (2025)

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

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

Surrogate Interpretable Graph for Random Decision Forests
von: Dubey, Akshat, et al.
Veröffentlicht: (2025)

Random Rule Forest (RRF): Interpretable Ensembles of LLM-Generated Questions for Predicting Startup Success
von: Griffin, Ben, et al.
Veröffentlicht: (2025)

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

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

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

Dynamic Interpretability for Model Comparison via Decision Rules
von: Rida, Adam, et al.
Veröffentlicht: (2023)

Learning Interpretable Rules for Scalable Data Representation and Classification
von: Wang, Zhuo, et al.
Veröffentlicht: (2023)

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

Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation
von: Parra, Olivia Jullian, et al.
Veröffentlicht: (2026)

Pareto-Optimal Estimation and Policy Learning on Short-term and Long-term Treatment Effects
von: Wang, Yingrong, et al.
Veröffentlicht: (2024)

A Distributionally Robust Framework for Nuisance in Causal Effect Estimation
von: Tanimoto, Akira
Veröffentlicht: (2025)

Estimating Causal Effects in Gaussian Linear SCMs with Finite Data
von: Maiti, Aurghya, et al.
Veröffentlicht: (2026)

Disentangled Double Machine Learning for Accurate Causal Effect Estimation
von: Xiang, Guodu, et al.
Veröffentlicht: (2026)

Actionable Interpretability via Causal Hypergraphs: Unravelling Batch Size Effects in Deep Learning
von: Sun, Zhongtian, et al.
Veröffentlicht: (2025)

KG-TREAT: Pre-training for Treatment Effect Estimation by Synergizing Patient Data with Knowledge Graphs
von: Liu, Ruoqi, et al.
Veröffentlicht: (2024)

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

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

The Estimation of Continual Causal Effect for Dataset Shifting Streams
von: Chen, Baining, et al.
Veröffentlicht: (2025)

NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation
von: Reddy, Abbavaram Gowtham, et al.
Veröffentlicht: (2022)

Bilinear Convolution Decomposition for Causal RL Interpretability
von: Oozeer, Narmeen, et al.
Veröffentlicht: (2024)

Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems
von: Huang, Zijie, et al.
Veröffentlicht: (2024)

Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators
von: Huang, Yiyan, et al.
Veröffentlicht: (2024)

Treatment-Aware Hyperbolic Representation Learning for Causal Effect Estimation with Social Networks
von: Cui, Ziqiang, et al.
Veröffentlicht: (2024)

Interpretable Classification via a Rule Network with Selective Logical Operators
von: Wei, Bowen, et al.
Veröffentlicht: (2024)