論文の概要: MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis

• arxiv url: http://arxiv.org/abs/2606.30648v1
• Date: Fri, 05 Jun 2026 04:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.605604
• Title: MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis
• Title（参考訳）: MediEncoder:高次元因果関係解析のための非線形表現学習
• Abstract要約: 因果仲裁分析は、治療効果をメディエーターと直接経路を介して間接経路に分解する。 非線形高次元媒介解析のための表現学習フレームワークであるMediEncoderを提案する。
• 参考スコア（独自算出の注目度）: 9.323860109144343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal mediation analysis decomposes a treatment effect into indirect pathways through mediators and direct pathways not operating through them. Modern biomedical studies often involve high-dimensional covariates and mediators that are noisy proxies for lower-dimensional latent biological processes. Existing methods typically rely on sparsity, linear factor models, or ignore the connection among variables in the learned representations, which can be restrictive when measurements are nonlinear and covariate and mediator factors are structurally dependent. We propose MediEncoder, a representation-learning framework for nonlinear high-dimensional mediation analysis. MediEncoder jointly learns low-dimensional covariate and mediator representations using a coupled encoder-decoder architecture with a cross-factor network that links treatment and covariate representations to mediator representations. The learned features are then used in a cross-fitted efficient influence function-based estimator of natural direct and indirect effects. The resulting estimator is multiply robust and asymptotically normal under suitable regularity conditions. Simulations show that MediEncoder improves estimation accuracy over competing dimension-reduction approaches, and an application to Alzheimer's Disease Neuroimaging Initiative data illustrates its utility in high-dimensional biomedical causal mediation analysis.
• Abstract（参考訳）: 因果仲裁分析は、治療効果をメディエーターと直接経路を介して間接経路に分解する。 現代の生物医学研究は、しばしば低次元の潜伏生物学的過程においてノイズの多いプロキシである高次元の共変量体やメディエーターを含む。 既存の手法は、通常、疎度、線形因子モデル、あるいは学習された表現における変数間の接続を無視するが、これは測定が非線形で共変量および媒介因子が構造的依存である場合に制限される。 非線形高次元媒介解析のための表現学習フレームワークであるMediEncoderを提案する。 MediEncoderは、処理と共変量表現をメディエータ表現にリンクするクロスファクタネットワークと結合したエンコーダデコーダアーキテクチャを用いて、低次元の共変量およびメディエータ表現を共同で学習する。 学習した特徴は、自然の直接効果と間接効果の相互適合した効率的な影響関数に基づく推定器に使用される。 得られた推定子は、適切な正則性条件下では、乗法的に頑健で漸近的に正規である。 シミュレーションにより、メディエンコーダは競合する次元還元法よりも推定精度を向上し、アルツハイマー病神経画像イニシアチブデータへの応用は、高次元生医学的因果媒介分析におけるその有用性を示している。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• Robust Multimodal Representation Learning in Healthcare [12.190907451083765]
  実世界の医療データセットは、一般的に複数のソースからの体系的なバイアスを含む。 本稿では,バイアスを特定し,対処するDual-Stream Feature Deorrelation Frameworkを提案する。 本手法では,因果関係から因果関係を解き放つために,因果関係のデコリレーション・フレームワークとデュアルストリームニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2026-01-29T16:27:54Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Causal mediation analysis with one or multiple mediators: a comparative study [36.52655918884223]
  因果媒介分析のための古典的推定器のパラメトリックおよび非パラメトリック実装について考察する。 シミュレーションデータに対する総合的なベンチマークにおいて、いくつかのアプローチを評価する。 応用例として,認知機能に影響を与える要因の徹底的な分析を提案する。 この分析は、高血圧や肥満などいくつかの生理的要因について、その効果のかなりの部分は脳構造の変化によるものであることを示している。
  論文  参考訳（メタデータ） (2025-05-12T08:10:50Z)
• Causal Mediation Analysis with Multi-dimensional and Indirectly Observed Mediators [22.68115322836635]
  因果媒介分析は、治療の全体効果を直接的および介在的効果に分解する強力な方法である。 ほとんどのCMA法は、メディエーターは1次元で観測可能であると仮定し、現実のシナリオを単純化する。 複雑かつ間接的に観察されるメディエータを識別可能な可変オートエンコーダ(iVAE)アーキテクチャに基づいて処理できるCMAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-13T17:22:59Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Parameter-Efficient Transformer with Hybrid Axial-Attention for Medical Image Segmentation [10.441315305453504]
  医用画像セグメンテーションのための位置情報を用いた本質的帰納バイアスを探索するパラメータ効率変換器を提案する。 そこで本研究では,空間画素情報と相対位置情報を帰納バイアスとして利用できるハイブリッド軸アテンション(HAA)を提案する。
  論文  参考訳（メタデータ） (2022-11-17T13:54:55Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。