Buchumschlag

Orthogonal machine learning for conditional odds and risk ratios

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ge, Jiacheng, Díaz, Iván
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Causal hybrid modeling with double machine learning
von: Cohrs, Kai-Hendrik, et al.
Veröffentlicht: (2024)

Accounting for multiplicity in machine learning benchmark performance
von: Møllersen, Kajsa, et al.
Veröffentlicht: (2023)

Sample size determination for machine learning in medical research
von: Arifin, Wan Nor, et al.
Veröffentlicht: (2025)

Beyond algorithm hyperparameters: on preprocessing hyperparameters and associated pitfalls in machine learning applications
von: Sauer, Christina, et al.
Veröffentlicht: (2024)

A new machine learning framework for occupational accidents forecasting with safety inspections integration
von: Yapi, Aho, et al.
Veröffentlicht: (2025)

Improving reproducibility by controlling random seed stability in machine learning based estimation via bagging
von: Williams, Nicholas, et al.
Veröffentlicht: (2026)

An interpretable neural network-based non-proportional odds model for ordinal regression
von: Okuno, Akifumi, et al.
Veröffentlicht: (2023)

Task-Agnostic Machine-Learning-Assisted Inference
von: Miao, Jiacheng, et al.
Veröffentlicht: (2024)

Functional effects models: Accounting for preference heterogeneity in panel data with machine learning
von: Salvadé, Nicolas, et al.
Veröffentlicht: (2025)

Stability of clinical prediction models developed using statistical or machine learning methods
von: Riley, Richard D, et al.
Veröffentlicht: (2022)

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

Sequential Adaptive Priors for Orthogonal Functions
von: Sugasawa, Shonosuke, et al.
Veröffentlicht: (2025)

A step towards the integration of machine learning and classic model-based survey methods
von: Żądło, Tomasz, et al.
Veröffentlicht: (2024)

Orthogonal Causal Calibration
von: Whitehouse, Justin, et al.
Veröffentlicht: (2024)

Non-parametric efficient estimation of marginal structural models with multi-valued time-varying treatments
von: Martin, Axel, et al.
Veröffentlicht: (2024)

Effect Decomposition of Functional-Output Computer Experiments via Orthogonal Additive Gaussian Processes
von: Tan, Yu, et al.
Veröffentlicht: (2025)

Adaptive debiased machine learning using data-driven model selection techniques
von: van der Laan, Lars, et al.
Veröffentlicht: (2023)

Generative machine learning methods for multivariate ensemble post-processing
von: Chen, Jieyu, et al.
Veröffentlicht: (2022)

Nature versus nurture in galaxy formation: the effect of environment on star formation with causal machine learning
von: Mucesh, Sunil, et al.
Veröffentlicht: (2024)

Structured Difference-of-Q via Orthogonal Learning
von: Cao, Defu, et al.
Veröffentlicht: (2024)

Assumption-Lean and Data-Adaptive Post-Prediction Inference
von: Miao, Jiacheng, et al.
Veröffentlicht: (2023)

Minimax-optimal trust-aware multi-armed bandits
von: Cai, Changxiao, et al.
Veröffentlicht: (2024)

Nonparametric estimation of conditional probability distributions using a generative approach based on conditional push-forward neural networks
von: Franco, Nicola Rares, et al.
Veröffentlicht: (2025)

Targeting relative risk heterogeneity with causal forests
von: Shirvaikar, Vik, et al.
Veröffentlicht: (2023)

Distributionally robust risk evaluation with an isotonic constraint
von: Gui, Yu, et al.
Veröffentlicht: (2024)

Generalizing Orthogonalization for Models with Non-Linearities
von: Rügamer, David, et al.
Veröffentlicht: (2024)

Transfer Q-learning
von: Chen, Elynn, et al.
Veröffentlicht: (2022)

MCD: Marginal Contrastive Discrimination for conditional density estimation
von: Meziani, Katia, et al.
Veröffentlicht: (2022)

Simulation-based inference via telescoping ratio estimation for trawl processes
von: Leonte, Dan, et al.
Veröffentlicht: (2025)

Combining T-learning and DR-learning: a framework for oracle-efficient estimation of causal contrasts
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty
von: Liu, Kaizhao, et al.
Veröffentlicht: (2024)

Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data
von: Pryce, Matthew, et al.
Veröffentlicht: (2026)

Poisson Hyperplane Processes with Rectified Linear Units
von: Ge, Shufei, et al.
Veröffentlicht: (2026)

IGC-Net for conditional average potential outcome estimation over time
von: Hess, Konstantin, et al.
Veröffentlicht: (2024)

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

Generalized Bayesian deep reinforcement learning
von: Roy, Shreya Sinha, et al.
Veröffentlicht: (2024)

Uncertainty estimation of machine learning spatial precipitation predictions from satellite data
von: Papacharalampous, Georgia, et al.
Veröffentlicht: (2023)

Developing synthetic microdata through machine learning for firm-level business surveys
von: Cisneros, Jorge, et al.
Veröffentlicht: (2025)

Machine learning to optimize precision in the analysis of randomized trials: A journey in pre-specified, yet data-adaptive learning
von: Balzer, Laura B., et al.
Veröffentlicht: (2025)

Why do zeroes happen? A model-based approach for demand classification
von: Svetunkov, Ivan, et al.
Veröffentlicht: (2025)