MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis
MediEncoder：高维因果中介分析的非线性表示学习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：摘要明确估计自然直接效应和间接效应，核心属于因果中介分析。
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…
MediEncoder：高维因果中介分析的非线性表示学习
- 研究问题
- 当高维协变量与中介是潜在生物过程的非线性噪声代理，且潜在因素相互依赖时，如何估计自然直接和间接效应？
- 方法与思路
- 作者以耦合编码器和解码器联合学习低维表示，用跨因子网络连接处理、协变量与中介，再采用交叉拟合的有效影响函数估计。
- 材料陈述的贡献
- 摘要称估计量在适当条件下具有多重稳健性和渐近正态性；模拟显示估计精度改善，并应用于阿尔茨海默病影像数据。
- 阅读关注点
- 应核对中介效应识别条件、学习表示是否保留所需因果信息、多重稳健性的模型组合，以及影响函数和交叉拟合的构造。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收。摘要未列出识别与正则条件，表示学习本身不能保证因果识别。
原文摘要
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.