Buchumschlag

Heterogeneous Causal Learning for Optimizing Aggregated Functions in User Growth

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Du, Shuyang, Zhang, Jennifer, Zou, Will Y.
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

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

Causal Learning for Heterogeneous Subgroups Based on Nonlinear Causal Kernel Clustering
von: Liu, Lu, et al.
Veröffentlicht: (2025)

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

Robust Model Aggregation for Heterogeneous Federated Learning: Analysis and Optimizations
von: Shao, Yumeng, et al.
Veröffentlicht: (2024)

Neural Inhibition Improves Dynamic Routing and Mixture of Experts
von: Zou, Will Y., et al.
Veröffentlicht: (2025)

Optimization-based Causal Estimation from Heterogenous Environments
von: Yin, Mingzhang, et al.
Veröffentlicht: (2021)

On the Power of Adaptive Weighted Aggregation in Heterogeneous Federated Learning and Beyond
von: Zeng, Dun, et al.
Veröffentlicht: (2023)

Fisher-Informed Parameterwise Aggregation for Federated Learning with Heterogeneous Data
von: Chang, Zhipeng, et al.
Veröffentlicht: (2026)

Meta-FL: A Novel Meta-Learning Framework for Optimizing Heterogeneous Model Aggregation in Federated Learning
von: Alsulaimawi, Zahir
Veröffentlicht: (2024)

Interpretable Clustering with Adaptive Heterogeneous Causal Structure Learning in Mixed Observational Data
von: Li, Wenrui, et al.
Veröffentlicht: (2025)

Hierarchical Secure Aggregation with Heterogeneous Security Constraints and Arbitrary User Collusion
von: Li, Zhou, et al.
Veröffentlicht: (2025)

Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

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

Causal Inference for Genomic Data with Multiple Heterogeneous Outcomes
von: Du, Jin-Hong, et al.
Veröffentlicht: (2024)

Tackling Data Heterogeneity in Federated Learning through Knowledge Distillation with Inequitable Aggregation
von: Ma, Xing
Veröffentlicht: (2025)

LHGEL: Large Heterogeneous Graph Ensemble Learning using Batch View Aggregation
von: Shen, Jiajun, et al.
Veröffentlicht: (2025)

FedADP: Unified Model Aggregation for Federated Learning with Heterogeneous Model Architectures
von: Wang, Jiacheng, et al.
Veröffentlicht: (2025)

ILoRA: Federated Learning with Low-Rank Adaptation for Heterogeneous Client Aggregation
von: Zhou, Junchao, et al.
Veröffentlicht: (2025)

Leveraging Function Space Aggregation for Federated Learning at Scale
von: Dhawan, Nikita, et al.
Veröffentlicht: (2023)

Towards Stability of Parameter-free Optimization
von: Pang, Yijiang, et al.
Veröffentlicht: (2024)

Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data
von: Zhang, Ziyi, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Continuous Action Reinforcement Learning
von: Dong, Shuyang, et al.
Veröffentlicht: (2025)

Reconciling Heterogeneous Effects in Causal Inference
von: Chang, Audrey, et al.
Veröffentlicht: (2024)

Moss: Proxy Model-based Full-Weight Aggregation in Federated Learning with Heterogeneous Models
von: Cai, Yifeng, et al.
Veröffentlicht: (2025)

On the Recoverability of Causal Relations from Temporally Aggregated I.I.D. Data
von: Fan, Shunxing, et al.
Veröffentlicht: (2024)

HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks
von: Zhu, Guanghui, et al.
Veröffentlicht: (2023)

An Aggregation-Free Federated Learning for Tackling Data Heterogeneity
von: Wang, Yuan, et al.
Veröffentlicht: (2024)

Meaningful Causal Aggregation and Paradoxical Confounding
von: Zhu, Yuchen, et al.
Veröffentlicht: (2023)

Lost in Aggregation: The Causal Interpretation of the IV Estimand
von: Tsao, Danielle, et al.
Veröffentlicht: (2026)

Aggregation Alignment for Federated Learning with Mixture-of-Experts under Data Heterogeneity
von: Fang, Zihan, et al.
Veröffentlicht: (2026)

Causal Heterogeneous Graph Learning Method for Chronic Obstructive Pulmonary Disease Prediction
von: Zhou, Leming, et al.
Veröffentlicht: (2025)

Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations
von: Kaushik, Rohit, et al.
Veröffentlicht: (2026)

RAGFormer: Learning Semantic Attributes and Topological Structure for Fraud Detection
von: Li, Haolin, et al.
Veröffentlicht: (2024)

A Comparative Study of Federated Learning Aggregation Strategies under Homogeneous and Heterogeneous Data Distributions
von: Makris, Antonios, et al.
Veröffentlicht: (2026)

Sample Complexity of Causal Identification with Temporal Heterogeneity
von: Rathod, Ameya, et al.
Veröffentlicht: (2026)

RLHF from Heterogeneous Feedback via Personalization and Preference Aggregation
von: Park, Chanwoo, et al.
Veröffentlicht: (2024)

Resource-Aware Aggregation and Sparsification in Heterogeneous Ensemble Federated Learning
von: Ryum, Keumseo, et al.
Veröffentlicht: (2025)

Active Learning Using Aggregated Acquisition Functions: Accuracy and Sustainability Analysis
von: Jung, Cédric, et al.
Veröffentlicht: (2026)

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

FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors
von: Shi, Changlong, et al.
Veröffentlicht: (2025)