Buchumschlag

Causal Machine Learning Methods for Estimating Personalised Treatment Effects -- Insights on validity from two large trials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Hongruyu, Aebersold, Helena, Puhan, Milo Alan, Serra-Burriel, Miquel
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

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

Double Machine Learning Methods for Estimating Average Treatment Effects: A Comparative Study
von: Tan, Xiaoqing, et al.
Veröffentlicht: (2022)

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

Considerations for Estimating Causal Effects of Informatively Timed Treatments
von: Oganisian, Arman
Veröffentlicht: (2025)

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

Spectral Path Regression: Directional Chebyshev Harmonics for Interpretable Tabular Learning
von: Coombs, Milo
Veröffentlicht: (2026)

A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
von: Wu, Ying, et al.
Veröffentlicht: (2023)

Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery
von: Wang, Zilong, et al.
Veröffentlicht: (2025)

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

Personalised Insulin Adjustment with Reinforcement Learning: An In-Silico Validation for People with Diabetes on Intensive Insulin Treatment
von: Panagiotou, Maria, et al.
Veröffentlicht: (2025)

Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
von: Khatami, Seyedeh Baharan, et al.
Veröffentlicht: (2024)

Learning Causality for Modern Machine Learning
von: Chen, Yongqiang
Veröffentlicht: (2025)

Causal Machine Learning for Moderation Effects
von: Bearth, Nora, et al.
Veröffentlicht: (2024)

CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
von: Zhou, Jiehui, et al.
Veröffentlicht: (2024)

CausalPFN: Amortized Causal Effect Estimation via In-Context Learning
von: Balazadeh, Vahid, et al.
Veröffentlicht: (2025)

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

Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach
von: Li, Shuang, et al.
Veröffentlicht: (2024)

Robust CATE Estimation Using Novel Ensemble Methods
von: Machluf, Oshri, et al.
Veröffentlicht: (2024)

Double/Debiased Machine Learning for Treatment and Causal Parameters
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2016)

Treatment Effect Estimation with Observational Network Data using Machine Learning
von: Emmenegger, Corinne, et al.
Veröffentlicht: (2022)

Learning Subgroups with Maximum Treatment Effects without Causal Heuristics
von: Yang, Lincen, et al.
Veröffentlicht: (2025)

Causal Effect Estimation with Learned Instrument Representations
von: Dean, Frances, et al.
Veröffentlicht: (2026)

Causal Ordering Without Effect Estimation: A Framework for Using Proxies in Treatment Prioritization
von: Fernández-Loría, Carlos, et al.
Veröffentlicht: (2022)

Causal Rule Forest: Toward Interpretable and Precise Treatment Effect Estimation
von: Hsu, Chan, et al.
Veröffentlicht: (2024)

Do-PFN: In-Context Learning for Causal Effect Estimation
von: Robertson, Jake, et al.
Veröffentlicht: (2025)

A Meta-Learning Method for Estimation of Causal Excursion Effects to Assess Time-Varying Moderation
von: Shi, Jieru, et al.
Veröffentlicht: (2023)

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

Wind Estimation in Unmanned Aerial Vehicles with Causal Machine Learning
von: Alwalan, Abdulaziz, et al.
Veröffentlicht: (2024)

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

Personalised Drug Identifier for Cancer Treatment with Transformers using Auxiliary Information
von: Jayagopal, Aishwarya, et al.
Veröffentlicht: (2024)

Transfer Learning for Causal Effect Estimation
von: Wei, Song, et al.
Veröffentlicht: (2023)

Robust Federated Personalised Mean Estimation for the Gaussian Mixture Model
von: Managoli, Malhar A., et al.
Veröffentlicht: (2025)

Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
von: Byambadalai, Undral, et al.
Veröffentlicht: (2024)

Dynamic Causal Structure Discovery and Causal Effect Estimation
von: Wang, Jianian, et al.
Veröffentlicht: (2025)

Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation
von: Pros, Roger, et al.
Veröffentlicht: (2024)

Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning
von: Wu, Yuanchen, et al.
Veröffentlicht: (2025)

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)

Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules
von: Li, Michael Lingzhi, et al.
Veröffentlicht: (2024)

Local Causal Discovery for Estimating Causal Effects
von: Gupta, Shantanu, et al.
Veröffentlicht: (2023)