Buchumschlag

The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lin, Victoria, Yun, Taedong, Matarić, Maja, Canny, John, Gretton, Arthur, D'Amour, Alexander
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Choosing a Proxy Metric from Past Experiments
von: Tripuraneni, Nilesh, et al.
Veröffentlicht: (2023)

Copula-based Sensitivity Analysis for Multi-Treatment Causal Inference with Unobserved Confounding
von: Zheng, Jiajing, et al.
Veröffentlicht: (2021)

Interventional Processes for Causal Uncertainty Quantification
von: Dance, Hugh, et al.
Veröffentlicht: (2024)

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

The Leaderboard Illusion
von: Singh, Shivalika, et al.
Veröffentlicht: (2025)

Sleepless Nights, Sugary Days: Creating Synthetic Users with Health Conditions for Realistic Coaching Agent Interactions
von: Yun, Taedong, et al.
Veröffentlicht: (2025)

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

Sequential Kernel Embedding for Mediated and Time-Varying Dose Response Curves
von: Singh, Rahul, et al.
Veröffentlicht: (2021)

Efficient Inference after Directionally Stable Adaptive Experiments
von: Shen, Zikai, et al.
Veröffentlicht: (2026)

Conversational Planning for Personal Plans
von: Christakopoulou, Konstantina, et al.
Veröffentlicht: (2025)

Composite Goodness-of-fit Tests with Kernels
von: Key, Oscar, et al.
Veröffentlicht: (2021)

Optimizing Language Models for Human Preferences is a Causal Inference Problem
von: Lin, Victoria, et al.
Veröffentlicht: (2024)

Omitted Variable Bias in Language Models Under Distribution Shift
von: Lin, Victoria, et al.
Veröffentlicht: (2026)

Demystifying Spectral Feature Learning for Instrumental Variable Regression
von: Meunier, Dimitri, et al.
Veröffentlicht: (2025)

The Hardness of Validating Observational Studies with Experimental Data
von: Fawkes, Jake, et al.
Veröffentlicht: (2025)

On the Hardness of Conditional Independence Testing In Practice
von: He, Zheng, et al.
Veröffentlicht: (2025)

Benchmarking Observational Studies with Experimental Data under Right-Censoring
von: Demirel, Ilker, et al.
Veröffentlicht: (2024)

LIDS: LLM Summary Inference Under the Layered Lens
von: Park, Dylan, et al.
Veröffentlicht: (2026)

Mind the Graph When Balancing Data for Fairness or Robustness
von: Schrouff, Jessica, et al.
Veröffentlicht: (2024)

Evaluating Interventional Reasoning Capabilities of Large Language Models
von: Kasetty, Tejas, et al.
Veröffentlicht: (2024)

Agents Thinking Fast and Slow: A Talker-Reasoner Architecture
von: Christakopoulou, Konstantina, et al.
Veröffentlicht: (2024)

Mind Your Tone: Investigating How Prompt Politeness Affects LLM Accuracy (short paper)
von: Dobariya, Om, et al.
Veröffentlicht: (2025)

Probabilistic Factorial Experimental Design for Combinatorial Interventions
von: Shyamal, Divya, et al.
Veröffentlicht: (2025)

Theoretical guarantees on the best-of-n alignment policy
von: Beirami, Ahmad, et al.
Veröffentlicht: (2024)

Expected Reward Prediction, with Applications to Model Routing
von: Hasanaliyev, Kenan, et al.
Veröffentlicht: (2026)

Proxy Methods for Domain Adaptation
von: Tsai, Katherine, et al.
Veröffentlicht: (2024)

Nonparametric Instrumental Variable Analysis Without Structural Equations: Debiased Inference on Functionals of Inverse Problems with No Solutions
von: Shen, Zikai, et al.
Veröffentlicht: (2026)

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

MPO: An Efficient Post-Processing Framework for Mixing Diverse Preference Alignment
von: Wang, Tianze, et al.
Veröffentlicht: (2025)

Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery
von: Olko, Mateusz, et al.
Veröffentlicht: (2022)

Simulation-Based Inference for Adaptive Experiments
von: Cho, Brian M, et al.
Veröffentlicht: (2025)

ALCM: Autonomous LLM-Augmented Causal Discovery Framework
von: Khatibi, Elahe, et al.
Veröffentlicht: (2024)

Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
von: Yang, Xuelin, et al.
Veröffentlicht: (2025)

A Design-based Solution for Causal Inference with Text: Can a Language Model Be Too Large?
von: Tierney, Graham, et al.
Veröffentlicht: (2025)

Isolated Causal Effects of Natural Language
von: Lin, Victoria, et al.
Veröffentlicht: (2024)

The Illusion of Learning from Observational Data: An Empirical Bayes Perspective
von: Wu, Bohan, et al.
Veröffentlicht: (2026)

Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
von: Park, Soojin, et al.
Veröffentlicht: (2025)

Bias in Language Models: Beyond Trick Tests and Toward RUTEd Evaluation
von: Lum, Kristian, et al.
Veröffentlicht: (2024)

Uncovering Bias Mechanisms in Observational Studies
von: Demirel, Ilker, et al.
Veröffentlicht: (2025)

A Double Machine Learning Approach to Combining Experimental and Observational Data
von: Parikh, Harsh, et al.
Veröffentlicht: (2023)