論文の概要: When Reconstruction Is Not Enough: Doubly Robust Counterfactual and Interventional Mediation Analysis with Learned Multimodal Representations

• arxiv url: http://arxiv.org/abs/2610.30220v1
• Date: Wed, 21 Oct 2026 16:22:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.087219
• Title: When Reconstruction Is Not Enough: Doubly Robust Counterfactual and Interventional Mediation Analysis with Learned Multimodal Representations
• Title（参考訳）: 再建が不十分な場合 : 学習したマルチモーダル表現を用いた二重ロバストな対実的・インターベンショナルメディエーション分析
• Abstract要約: 代替治療下での対実的結果について検討する。 我々は、介入の仲介が対実比較よりも要求されていることを示す。 推定サンプルの外部で訓練されたモダリティ固有の変分オートエンコーダを組み合わせたワークフローを提案する。
• 参考スコア（独自算出の注目度）: 1.7451495547398679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned representations of high-dimensional multimodal health records are increasingly used to adjust for confounding, yet they are usually trained to reconstruct the data rather than preserve the information that causal identification requires. We study counterfactual outcomes under alternative treatments, including phenotype-specific effects and patient-level counterfactual risk profiles of the kind digital twins provide, and interventional direct and indirect effects under exposure-induced intermediate confounding. We give conditions under which a representation preserves identification and show that interventional mediation is more demanding than counterfactual comparison. We prove that no covariate-only training objective, whether reconstruction, contrastive, or physics-informed, can certify that a representation is sufficient, and that, in a linear structural model, a representation can lose arbitrarily little reconstruction accuracy yet induce arbitrarily large bias. We decompose the error of cross-fitted doubly robust estimators into a first-order representation bias, which neither double robustness nor cross-fitting removes, and a second-order remainder of nuisance-estimation errors, so coverage worsens as the sample size grows when the representation is insufficient. We propose a workflow combining modality-specific variational autoencoders trained outside the estimation sample, cross-fitted doubly robust estimators, locked phenotypes, select-then-confirm pathway analysis, portable representations, and diagnostics for representation insufficiency, exposure leakage, and sensitivity. In simulations, discarding a rare, moderately strong confounder gave indirect-effect intervals with 2% coverage at n = 3,000; reconstruction loss missed the problem, and a simple predictive diagnostic flagged it in every replicate.
• Abstract（参考訳）: 高次元マルチモーダル健康記録の学習された表現は、コンバウンディングの調整に使用されることが多いが、通常は、因果同定に必要な情報を保存するのではなく、データを再構築するよう訓練されている。 本研究は,デジタル双生児が提供する表現型特異的効果や患者レベルの対実的リスクプロファイル,および曝露による中間的コンバウンディングの介入的直接的および間接的効果など,代替治療による対実的効果について検討した。 我々は、表現が識別を保存し、介入の仲介が対実比較よりも要求されていることを示す条件を提示する。 我々は,共変量のみの訓練目的,すなわち再構成,コントラスト,物理インフォームドのいずれかが,表現が十分であることを示すことができず,線形構造モデルでは,表現が任意にほとんど再構成精度を損なうことなく,任意に大きなバイアスを生じさせることを証明した。 本研究では,2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重2重 評価サンプルの外部で訓練されたモダリティ固有の変分オートエンコーダ、クロスフィットされた2重頑健な推定器、ロックされた表現型、選択列確認経路解析、携帯型表現、表現不足、露出漏れ、感度の診断を併用したワークフローを提案する。 シミュレーションでは、稀で適度に強い共同創設者を捨てると、n = 3,000で2%のカバレッジで間接効果区間が与えられ、復元損失は問題にならず、単純な予測診断が複製毎にフラグを立てた。

関連論文リスト

• It depends: Incorporating correlations for joint aleatoric and epistemic uncertainties of high-dimensional output spaces [23.472868138533926]
  不確実性定量化(UQ)は、ディープラーニングモデル予測の信頼性を高める上で重要な役割を果たす。 本稿では,高次元回帰タスクにおける連成性に着目し,不確実性の二重性について論じる。 本稿では,低ランク+対角共分散構造を用いた結合不確かさを近似する新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-08-25T13:08:17Z)
• Test-time Uncertainty Estimation for Medical Image Registration via Transformation Equivariance [11.57571124470059]
  現在のディープ登録ネットワークは、予測が信頼できるかどうかの限られた表示を提供する。 本稿では、事前訓練されたネットワークと互換性のあるテスト時間不確実性推定フレームワークを提案する。 我々のフレームワークは、事前訓練された登録ネットワークをテスト時にリスク認識ツールに変換し、医療画像登録を安全な配置に一歩近付けます。
  論文  参考訳（メタデータ） (2025-09-27T15:03:06Z)
• Subtyping Breast Lesions via Generative Augmentation based Long-tailed Recognition in Ultrasound [8.410718166932798]
  本稿では,高忠実度データ合成による分布バイアスを緩和する長鎖分類のためのフレームワークを提案する。 提案手法は,最先端手法と比較して有望な性能を実現する。
  論文  参考訳（メタデータ） (2025-07-30T10:50:41Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Overcoming Uncertain Incompleteness for Robust Multimodal Sequential Diagnosis Prediction via Curriculum Data Erasing Guided Knowledge Distillation [0.0]
  NECHO v2, NECHO v2は, 欠席頻度が不確実な患者診断の予測精度を高めるために設計された新しいフレームワークである。 まず、不完全なデータの下で、不完全なモダリティ表現の優位性を扱うために、コード中心の診断で設計されたNECHOを修正する。 第2に,修正NECHOを教師と学生の両方に活用して,体系的な知識蒸留を開発する。
  論文  参考訳（メタデータ） (2024-07-28T17:14:27Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。