Buchumschlag

Clustering and Pruning in Causal Data Fusion

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tabell, Otto, Tikka, Santtu, Karvanen, Juha
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

Monotone Missing Data: A Blessing and a Curse
von: Tikka, Santtu, et al.
Veröffentlicht: (2024)

Full Law Identification under Missing Data with Categorical Variables
von: Tikka, Santtu, et al.
Veröffentlicht: (2024)

Identifying Causal Effects via Context-specific Independence Relations
von: Tikka, Santtu, et al.
Veröffentlicht: (2020)

Do-search -- a tool for causal inference and study design with multiple data sources
von: Karvanen, Juha, et al.
Veröffentlicht: (2020)

Simulating counterfactuals
von: Karvanen, Juha, et al.
Veröffentlicht: (2023)

Multiple imputation and full law identifiability
von: Karvanen, Juha, et al.
Veröffentlicht: (2024)

Price Optimization Combining Conjoint Data and Purchase History: A Causal Modeling Approach
von: Valkonen, Lauri, et al.
Veröffentlicht: (2023)

dynamite: An R Package for Dynamic Multivariate Panel Models
von: Tikka, Santtu, et al.
Veröffentlicht: (2023)

Bayesian subcohort selection for longitudinal covariate measurements in follow-up studies
von: Reinikainen, Jaakko, et al.
Veröffentlicht: (2016)

Data Fusion for Partial Identification of Causal Effects
von: Lanners, Quinn, et al.
Veröffentlicht: (2025)

Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
von: Gorbach, Tetiana, et al.
Veröffentlicht: (2021)

Estimation and Inference for Causal Functions with Multiway Clustered Data
von: Liu, Nan, et al.
Veröffentlicht: (2024)

Causal K-Means Clustering
von: Kim, Kwangho, et al.
Veröffentlicht: (2024)

Dynamic programming principle in cost-efficient sequential design: application to switching measurements
von: Han, Jeongmin, et al.
Veröffentlicht: (2024)

Hierarchical and Density-based Causal Clustering
von: Kim, Kwangho, et al.
Veröffentlicht: (2024)

A Unified Framework for Structure-Aware Clustering and Heterogeneous Causal Graph Learning
von: Du, Honglin, et al.
Veröffentlicht: (2026)

Causal Synthetic Data Generation in Recruitment
von: Iommi, Andrea, et al.
Veröffentlicht: (2025)

Nonlinear Causal Discovery for Grouped Data
von: Göbler, Konstantin, et al.
Veröffentlicht: (2025)

Causal Discovery on Dependent Binary Data
von: Chen, Alex, et al.
Veröffentlicht: (2024)

The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
von: Brouillard, Philippe, et al.
Veröffentlicht: (2024)

Data Fusion for High-Resolution Estimation
von: Guan, Amy, et al.
Veröffentlicht: (2025)

Do Finetti: On Causal Effects for Exchangeable Data
von: Guo, Siyuan, et al.
Veröffentlicht: (2024)

Causal and Counterfactual Views of Missing Data Models
von: Nabi, Razieh, et al.
Veröffentlicht: (2022)

Factorized Fusion Shrinkage for Dynamic Relational Data
von: Zhao, Peng, et al.
Veröffentlicht: (2022)

Data Fusion with Distributional Equivalence Test-then-pool
von: Yang, Linying, et al.
Veröffentlicht: (2026)

Clustering Three-Way Data with Outliers
von: Clark, Katharine M., et al.
Veröffentlicht: (2023)

funOCLUST: Clustering Functional Data with Outliers
von: Clark, Katharine M., et al.
Veröffentlicht: (2025)

Weighted Sum-of-Trees Model for Clustered Data
von: McCoy, Kevin, et al.
Veröffentlicht: (2026)

Frugal, Flexible, Faithful: Causal Data Simulation via Frengression
von: Yang, Linying, et al.
Veröffentlicht: (2025)

Response to Discussions of "Causal and Counterfactual Views of Missing Data Models"
von: Nabi, Razieh, et al.
Veröffentlicht: (2025)

TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data
von: Faruque, Omar, et al.
Veröffentlicht: (2024)

CafeMed: Causal Attention Fusion Enhanced Medication Recommendation
von: Ren, Kelin, et al.
Veröffentlicht: (2025)

MMM: Clustering Multivariate Longitudinal Mixed-type Data
von: Amato, Francesco, et al.
Veröffentlicht: (2025)

Q-Learning with Clustered-SMART (cSMART) Data: Examining Moderators in the Construction of Clustered Adaptive Interventions
von: Song, Yao, et al.
Veröffentlicht: (2025)

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

Complementary strengths of the Neyman-Rubin and graphical causal frameworks
von: Gorbach, Tetiana, et al.
Veröffentlicht: (2025)

Causal-learn: Causal Discovery in Python
von: Zheng, Yujia, et al.
Veröffentlicht: (2023)

Causal Effect Estimation with TMLE: Handling Missing Data and Near-Violations of Positivity
von: Wiederkehr, Christoph, et al.
Veröffentlicht: (2025)

PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data
von: Robinson, Thomas S., et al.
Veröffentlicht: (2026)

$\texttt{causalAssembly}$: Generating Realistic Production Data for Benchmarking Causal Discovery
von: Göbler, Konstantin, et al.
Veröffentlicht: (2023)