Buchumschlag

Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nanavati, Praharsh, Prasad, Ranjitha, Shanmugam, Karthikeyan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Relative Ignorability Framework for Decision-Relevant Observability in Control Theory and Reinforcement Learning
von: Bleile, MaryLena, et al.
Veröffentlicht: (2025)

DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
von: Khan, Ahmad Saeed, et al.
Veröffentlicht: (2025)

Accounting for Missing Covariates in Heterogeneous Treatment Estimation
von: Yamin, Khurram, et al.
Veröffentlicht: (2024)

Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
von: Kato, Masahiro, et al.
Veröffentlicht: (2024)

Multi-Study R-Learner for Estimating Heterogeneous Treatment Effects Across Studies Using Statistical Machine Learning
von: Shyr, Cathy, et al.
Veröffentlicht: (2023)

Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts
von: Kern, Christoph, et al.
Veröffentlicht: (2024)

RepFlow: Representation Enhanced Flow Matching for Causal Effect Estimation
von: Xie, Yifei, et al.
Veröffentlicht: (2026)

Joint Models for Handling Non-Ignorable Missing Data using Bayesian Additive Regression Trees: Application to Leaf Photosynthetic Traits Data
von: Goh, Yong Chen, et al.
Veröffentlicht: (2024)

Learning Treatment Representations for Downstream Instrumental Variable Regression
von: Lin, Shiangyi, et al.
Veröffentlicht: (2025)

Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
von: Li, Haoze, et al.
Veröffentlicht: (2025)

Testing Hypotheses of Covariate Effects on Topics of Discourse
von: Phelan, Gabriel, et al.
Veröffentlicht: (2025)

Orthogonal Uplift Learning with Permutation-Invariant Representations for Combinatorial Treatments
von: Su, Xinyan, et al.
Veröffentlicht: (2026)

Causal Representation Learning with Optimal Compression under Complex Treatments
von: Liang, Wanting, et al.
Veröffentlicht: (2026)

Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments
von: Chihara, Naoki, et al.
Veröffentlicht: (2026)

Estimating Treatment Effect under Additive Hazards Models with High-dimensional Covariates
von: Hou, Jue, et al.
Veröffentlicht: (2019)

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

Learning Joint and Individual Structure in Network Data with Covariates
von: James, Carson, et al.
Veröffentlicht: (2024)

A Stable and Efficient Covariate-Balancing Estimator for Causal Survival Effects
von: Pham, Khiem, et al.
Veröffentlicht: (2023)

Semi-Supervised Treatment Effect Estimation with Unlabeled Covariates for Prediction-Powered Causal Inference
von: Kato, Masahiro
Veröffentlicht: (2025)

Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction
von: Schuessler, Maximilian, et al.
Veröffentlicht: (2025)

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

Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes
von: Lu, Yuying, et al.
Veröffentlicht: (2026)

Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
von: Zhang, Jennifer Y., et al.
Veröffentlicht: (2025)

PCM Selector: Penalized Covariate-Mediator Selection Operator for Evaluating Linear Causal Effects
von: Nanmo, Hisayoshi, et al.
Veröffentlicht: (2024)

Beyond Reweighting: On the Predictive Role of Covariate Shift in Effect Generalization
von: Jin, Ying, et al.
Veröffentlicht: (2024)

Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap
von: Clivio, Oscar, et al.
Veröffentlicht: (2026)

Treatment Effects in Extreme Regimes
von: Aloui, Ahmed, et al.
Veröffentlicht: (2023)

Covariate-assisted graph matching
von: Dawn, Trisha, et al.
Veröffentlicht: (2025)

Decomposing Gaussians with Unknown Covariance
von: Dharamshi, Ameer, et al.
Veröffentlicht: (2024)

The Generalised Kernel Covariance Measure
von: Bergen, Luca, et al.
Veröffentlicht: (2026)

Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization
von: Lee, JungHo, et al.
Veröffentlicht: (2026)

Robust and Agnostic Learning of Conditional Distributional Treatment Effects
von: Kallus, Nathan, et al.
Veröffentlicht: (2022)

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

The Connection Between R-Learning and Inverse-Variance Weighting for Estimation of Heterogeneous Treatment Effects
von: Fisher, Aaron
Veröffentlicht: (2023)

Continuous Treatment Effects with Surrogate Outcomes
von: Zeng, Zhenghao, et al.
Veröffentlicht: (2024)

The Cellwise Minimum Covariance Determinant Estimator
von: Raymaekers, Jakob, et al.
Veröffentlicht: (2022)

A Doubly Robust Machine Learning Approach for Disentangling Treatment Effect Heterogeneity with Functional Outcomes
von: Salmaso, Filippo, et al.
Veröffentlicht: (2026)

Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction
von: Zuo, Shuozhi, et al.
Veröffentlicht: (2026)

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

Kernel Treatment Effects with Adaptively Collected Data
von: Zenati, Houssam, et al.
Veröffentlicht: (2025)