:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Jung, Yonghan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2509.22531
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Average Causal Effect Estimation in DAGs with Hidden Variables: Beyond Back-Door and Front-Door Criteria
von: Guo, Anna, et al.
Veröffentlicht: (2024)

Flexible Nonparametric Inference for Causal Effects under the Front-Door Model
von: Guo, Anna, et al.
Veröffentlicht: (2023)

Information-Theoretic Causal Bounds under Unmeasured Confounding
von: Jung, Yonghan, et al.
Veröffentlicht: (2026)

Differentially Private Learners for Heterogeneous Treatment Effects
von: Schröder, Maresa, et al.
Veröffentlicht: (2025)

Linear-Time Algorithms for Front-Door Adjustment in Causal Graphs
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2022)

Path-specific effects for pulse-oximetry guided decisions in critical care
von: Zhang, Kevin, et al.
Veröffentlicht: (2025)

Interventional Imbalanced Multi-Modal Representation Learning via $β$-Generalization Front-Door Criterion
von: Li, Yi, et al.
Veröffentlicht: (2024)

Structural Effect and Spectral Enhancement of High-Dimensional Regularized Linear Discriminant Analysis
von: Zhang, Yonghan, et al.
Veröffentlicht: (2025)

Orthogonal Survival Learners for Estimating Heterogeneous Treatment Effects from Time-to-Event Data
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects
von: Ma, Haorui, et al.
Veröffentlicht: (2026)

DoorINet: Door Heading Prediction through Inertial Deep Learning
von: Zakharchenko, Aleksei, et al.
Veröffentlicht: (2024)

Sufficient Invariant Learning for Distribution Shift
von: Kim, Taero, et al.
Veröffentlicht: (2022)

Conditional Front-door Adjustment for Heterogeneous Treatment Assignment Effect Estimation Under Non-adherence
von: Chen, Winston, et al.
Veröffentlicht: (2025)

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

Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation
von: Chen, Wenxin, et al.
Veröffentlicht: (2026)

Assessing Surrogate Heterogeneity in Real World Data Using Meta-Learners
von: Knowlton, Rebecca, et al.
Veröffentlicht: (2025)

Fast Debiasing of the LASSO Estimator
von: Banerjee, Shuvayan, et al.
Veröffentlicht: (2025)

Rank-Learner: Orthogonal Ranking of Treatment Effects
von: Arno, Henri, et al.
Veröffentlicht: (2026)

Debiased Distribution Compression
von: Li, Lingxiao, et al.
Veröffentlicht: (2024)

Triple/Debiased Lasso for Statistical Inference of Conditional Average Treatment Effects
von: Kato, Masahiro
Veröffentlicht: (2024)

Adversarial Debiasing for Unbiased Parameter Recovery
von: Sanford, Luke C, et al.
Veröffentlicht: (2025)

Debiased neural operators for estimating functionals
von: Hess, Konstantin, et al.
Veröffentlicht: (2026)

Learning to Open and Traverse Doors with a Legged Manipulator
von: Zhang, Mike, et al.
Veröffentlicht: (2024)

Identification and Debiased Learning of Causal Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2025)

Kernel Debiased Plug-in Estimation: Simultaneous, Automated Debiasing without Influence Functions for Many Target Parameters
von: Cho, Brian, et al.
Veröffentlicht: (2023)

Debiased Ill-Posed Regression
von: Ghassami, AmirEmad, et al.
Veröffentlicht: (2025)

Debiased Recommendation with Noisy Feedback
von: Li, Haoxuan, et al.
Veröffentlicht: (2024)

A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
von: Singh, Aman
Veröffentlicht: (2026)

Segment-driven Structural Induction and Semantic Alignment for Heterogeneous Tabular Representation
von: Jung, Woojun, et al.
Veröffentlicht: (2026)

BlockDoor: Blocking Backdoor Based Watermarks in Deep Neural Networks
von: Puah, Yi Hao, et al.
Veröffentlicht: (2024)

Causal Inference with Double/Debiased Machine Learning for Evaluating the Health Effects of Multiple Mismeasured Pollutants
von: Xu, Gang, et al.
Veröffentlicht: (2024)

Causal Walk: Debiasing Multi-Hop Fact Verification with Front-Door Adjustment
von: Zhang, Congzhi, et al.
Veröffentlicht: (2024)

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2024)

An Introduction to Double/Debiased Machine Learning
von: Ahrens, Achim, et al.
Veröffentlicht: (2025)

Debiasing Kernel-Based Generative Models
von: Qin, Tian, et al.
Veröffentlicht: (2025)

Debiasing Machine Unlearning with Counterfactual Examples
von: Chen, Ziheng, et al.
Veröffentlicht: (2024)

Debiased Model-based Interactive Recommendation
von: Li, Zijian, et al.
Veröffentlicht: (2024)

Controlled Model Debiasing through Minimal and Interpretable Updates
von: Di Gennaro, Federico, et al.
Veröffentlicht: (2025)

Debiasing Guidance for Discrete Diffusion with Sequential Monte Carlo
von: Lee, Cheuk Kit, et al.
Veröffentlicht: (2025)

Adaptive Bounded Exploration and Intermediate Actions for Data Debiasing
von: Yang, Yifan, et al.
Veröffentlicht: (2025)