当重构不再足够：基于多模态学习表征的双重稳健反事实与干预中介分析

英文标题：When Reconstruction Is Not Enough: Doubly Robust Counterfactual and Interventional Mediation Analysis with Learned Multimodal Representations

高维多模态健康医疗记录的表征学习方法常被用于控制混杂因素，但现有方法多以数据重构为优化目标，往往无法有效保留因果识别所需的关键信息。针对这一局限，该研究提出了结合多模态学习表征的双重稳健反事实与干预中介分析框架。该成果明确指出了单纯追求重构精度在因果推断中的理论与实践缺陷，并提供了更稳健的中介效应估计工具。对医疗AI与因果推断开发者而言，这一方法为利用复杂非结构化数据进行可信因果效应评估提供了重要范式与技术参考。

2.0 KB 640 B 612 B 380 B 24.2 KB 34.7 KB