Buchumschlag

Sanity Checking Causal Representation Learning on a Simple Real-World System

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gamella, Juan L., Bing, Simon, Runge, Jakob
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Causal Chambers: Real Physical Systems as a Testbed for AI Methodology
von: Gamella, Juan L., et al.
Veröffentlicht: (2024)

Sanity Checks Revisited: An Exploration to Repair the Model Parameter Randomisation Test
von: Hedström, Anna, et al.
Veröffentlicht: (2024)

Identifying Linearly-Mixed Causal Representations from Multi-Node Interventions
von: Bing, Simon, et al.
Veröffentlicht: (2023)

Teleporter Theory: A General and Simple Approach for Modeling Cross-World Counterfactual Causality
von: Li, Jiangmeng, et al.
Veröffentlicht: (2024)

Operationalizing Longitudinal Causal Discovery Under Real-World Workflow Constraints
von: Okuda, Tadahisa, et al.
Veröffentlicht: (2026)

Measure-Theoretic Anti-Causal Representation Learning
von: Behnam, Arman, et al.
Veröffentlicht: (2025)

Sanity Checks for Explanation Uncertainty
von: Valdenegro-Toro, Matias, et al.
Veröffentlicht: (2024)

TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models
von: González, Javier, et al.
Veröffentlicht: (2023)

Sanity Checks for Agentic Data Science
von: Rewolinski, Zachary T., et al.
Veröffentlicht: (2026)

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

Language Agents Meet Causality -- Bridging LLMs and Causal World Models
von: Gkountouras, John, et al.
Veröffentlicht: (2024)

DCRMTA: Unbiased Causal Representation for Multi-touch Attribution
von: Tang, Jiaming
Veröffentlicht: (2024)

Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions
von: Gamella, Juan L., et al.
Veröffentlicht: (2022)

Discovering and Reasoning of Causality in the Hidden World with Large Language Models
von: Liu, Chenxi, et al.
Veröffentlicht: (2024)

Learning Causal Abstractions of Linear Structural Causal Models
von: Massidda, Riccardo, et al.
Veröffentlicht: (2024)

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

Towards Learning and Explaining Indirect Causal Effects in Neural Networks
von: Reddy, Abbavaram Gowtham, et al.
Veröffentlicht: (2023)

Causal Temporal Regime Structure Learning
von: Rahmani, Abdellah, et al.
Veröffentlicht: (2023)

RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model
von: Li, Peiwen, et al.
Veröffentlicht: (2024)

Real-TabPFN: Improving Tabular Foundation Models via Continued Pre-training With Real-World Data
von: Garg, Anurag, et al.
Veröffentlicht: (2025)

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

DIGIC: Domain Generalizable Imitation Learning by Causal Discovery
von: Chen, Yang, et al.
Veröffentlicht: (2024)

Causal Layering via Conditional Entropy
von: Feigenbaum, Itai, et al.
Veröffentlicht: (2024)

Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
von: Zhang, Zheyu, et al.
Veröffentlicht: (2025)

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
von: Ren, Yutian, et al.
Veröffentlicht: (2024)

Shapley-PC: Constraint-based Causal Structure Learning with a Shapley Inspired Framework
von: Russo, Fabrizio, et al.
Veröffentlicht: (2023)

Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning
von: Zhang, Jiaru, et al.
Veröffentlicht: (2025)

Multi-Domain Causal Discovery in Bijective Causal Models
von: Jalaldoust, Kasra, et al.
Veröffentlicht: (2025)

Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2025)

Causal Discovery from Heteroscedastic Stochastic Dynamical Systems under Imperfect Physical Models
von: Chen, Jianhong, et al.
Veröffentlicht: (2026)

Position: Causal Machine Learning Requires Rigorous Synthetic Experiments for Broader Adoption
von: Poinsot, Audrey, et al.
Veröffentlicht: (2025)

Learning Causal Structure of Time Series using Best Order Score Search
von: Mansilla, Irene Gema Castillo, et al.
Veröffentlicht: (2026)

Causal Machine Learning for Surgical Interventions
von: Tamo, J. Ben, et al.
Veröffentlicht: (2025)

Causal SHAP: Feature Attribution with Dependency Awareness through Causal Discovery
von: Ng, Woon Yee, et al.
Veröffentlicht: (2025)

Towards Causal Foundation Model: on Duality between Causal Inference and Attention
von: Zhang, Jiaqi, et al.
Veröffentlicht: (2023)

Interventional Causal Discovery in a Mixture of DAGs
von: Varıcı, Burak, et al.
Veröffentlicht: (2024)

Causal Preference Elicitation
von: Bonilla, Edwin V., et al.
Veröffentlicht: (2026)

CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios
von: Yi, Huiyang, et al.
Veröffentlicht: (2026)

Integrating Large Language Models in Causal Discovery: A Statistical Causal Approach
von: Takayama, Masayuki, et al.
Veröffentlicht: (2024)

s-ID: Causal Effect Identification in a Sub-Population
von: Abouei, Amir Mohammad, et al.
Veröffentlicht: (2023)