DeepMed: Semiparametric Causal Mediation Analysis with Debiased Deep Learning
DeepMed：利用去偏深度学习开展半参数因果中介分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究自然直接效应、自然间接效应和因果中介分析，因此归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
DeepMed：利用去偏深度学习开展半参数因果中介分析
- 研究问题
- 如何在因果中介分析中灵活估计高维或复杂辅助函数，降低自然直接效应和自然间接效应估计的偏差，并获得有效推断？
- 方法与思路
- 作者提出 DeepMed，用深度神经网络交叉拟合有效影响函数中的无限维辅助函数，并研究半参数效率及对特定低维结构的适应性。
- 材料陈述的贡献
- 摘要称，该方法无需对神经网络架构施加稀疏约束即可达到半参数效率界，并适应某些低维结构；模拟也揭示了理论与实践的差距。
- 阅读关注点
- 应核对自然效应的识别条件、神经网络估计所需收敛要求、低维结构的具体含义，以及模拟中理论与实际表现偏离的来源。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未列出效率结论的完整条件，真实公平性应用与既有发现一致不能单独验证识别。
原文摘要
Causal mediation analysis can unpack the black box of causality and is therefore a powerful tool for disentangling causal pathways in biomedical and social sciences, and also for evaluating machine learning fairness. To reduce bias for estimating Natural Direct and Indirect Effects in mediation analysis, we propose a new method called DeepMed that uses deep neural networks (DNNs) to cross-fit the infinite-dimensional nuisance functions in the efficient influence functions. We obtain novel theoretical results that our DeepMed method (1) can achieve semiparametric efficiency bound without imposing sparsity constraints on the DNN architecture and (2) can adapt to certain low dimensional structures of the nuisance functions, significantly advancing the existing literature on DNN-based semiparametric causal inference. Extensive synthetic experiments are conducted to support our findings and also expose the gap between theory and practice. As a proof of concept, we apply DeepMed to analyze two real datasets on machine learning fairness and reach conclusions consistent with previous findings.