Buchumschlag

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Melnychuk, Valentyn, Feuerriegel, Stefan, van der Schaar, Mihaela
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

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

Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects
von: Ma, Haorui, et al.
Veröffentlicht: (2026)

Differentially Private Learners for Heterogeneous Treatment Effects
von: Schröder, Maresa, et al.
Veröffentlicht: (2025)

GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2025)

Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments
von: Schweisthal, Jonas, et al.
Veröffentlicht: (2024)

A Neural Framework for Generalized Causal Sensitivity Analysis
von: Frauen, Dennis, et al.
Veröffentlicht: (2023)

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2023)

An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes
von: Javurek, Emil, et al.
Veröffentlicht: (2025)

Orthogonal Representation Learning for Estimating Causal Quantities
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2025)

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

Bayesian Neural Controlled Differential Equations for Treatment Effect Estimation
von: Hess, Konstantin, et al.
Veröffentlicht: (2023)

Partial Counterfactual Identification of Continuous Outcomes with a Curvature Sensitivity Model
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2023)

Rank-Learner: Orthogonal Ranking of Treatment Effects
von: Arno, Henri, et al.
Veröffentlicht: (2026)

Nonparametric LLM Evaluation from Preference Data
von: Frauen, Dennis, et al.
Veröffentlicht: (2026)

Overlap-weighted orthogonal meta-learner for treatment effect estimation over time
von: Hess, Konstantin, et al.
Veröffentlicht: (2025)

DiffPO: A causal diffusion model for learning distributions of potential outcomes
von: Ma, Yuchen, et al.
Veröffentlicht: (2024)

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

Causal machine learning for predicting treatment outcomes
von: Feuerriegel, Stefan, et al.
Veröffentlicht: (2024)

Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

Efficient and Sharp Off-Policy Learning under Unobserved Confounding
von: Hess, Konstantin, et al.
Veröffentlicht: (2025)

IGC-Net for conditional average potential outcome estimation over time
von: Hess, Konstantin, et al.
Veröffentlicht: (2024)

Consistent End-to-End Estimation for Counterfactual Fairness
von: Ma, Yuchen, et al.
Veröffentlicht: (2023)

Frequentist Consistency of Prior-Data Fitted Networks for Causal Inference
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2026)

Quantifying perturbation impacts for large language models
von: Rauba, Paulius, et al.
Veröffentlicht: (2024)

Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time
von: Piskorz, Julianna, et al.
Veröffentlicht: (2025)

Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference
von: Amad, Harry, et al.
Veröffentlicht: (2025)

Defining Expertise: Applications to Treatment Effect Estimation
von: Hüyük, Alihan, et al.
Veröffentlicht: (2024)

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

Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2024)

Towards Automated Knowledge Integration From Human-Interpretable Representations
von: Kobalczyk, Katarzyna, et al.
Veröffentlicht: (2024)

Matchmaker: Self-Improving Large Language Model Programs for Schema Matching
von: Seedat, Nabeel, et al.
Veröffentlicht: (2024)

Deep Hierarchical Learning with Nested Subspace Networks for Large Language Models
von: Rauba, Paulius, et al.
Veröffentlicht: (2025)

No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2025)

ConfoundingSHAP: Quantifying confounding strength in causal inference
von: Brockschmidt, Marie, et al.
Veröffentlicht: (2026)

ODE Discovery for Longitudinal Heterogeneous Treatment Effects Inference
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2024)

Why Tabular Foundation Models Should Be a Research Priority
von: van Breugel, Boris, et al.
Veröffentlicht: (2024)

Rethinking Aleatoric and Epistemic Uncertainty
von: Smith, Freddie Bickford, et al.
Veröffentlicht: (2024)

Inverse-RLignment: Large Language Model Alignment from Demonstrations through Inverse Reinforcement Learning
von: Sun, Hao, et al.
Veröffentlicht: (2024)

Not All Explanations for Deep Learning Phenomena Are Equally Valuable
von: Jeffares, Alan, et al.
Veröffentlicht: (2025)

Preference Learning for AI Alignment: a Causal Perspective
von: Kobalczyk, Katarzyna, et al.
Veröffentlicht: (2025)