Disentangled Representation for Causal Mediation Analysis
因果中介分析的解耦表示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：摘要直接研究潜在混杂下的因果中介分析及自然直接、间接效应。
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…
因果中介分析的解耦表示
- 研究问题
- 观察数据中存在多种作用于处理、中介和结果的潜在混杂时，如何区分这些混杂类型，并估计自然直接、间接及总效应？
- 方法与思路
- 作者以分块去混杂假设替代序贯可忽略性，提出 DMAVAE，将潜在混杂表示解耦为三类，用于因果中介效应估计。
- 材料陈述的贡献
- 摘要称，该模型能处理现有方法难以区分的混杂类型，在实验中优于比较方法且具有较强泛化能力，并展示真实数据应用。
- 阅读关注点
- 阅读时应核对分块去混杂假设的定义、潜在表示的可识别性，以及从解耦表示到自然直接和间接效应识别的推导。
- 阅读边界
- 本条依据 arXiv 预印本摘要，同行评审与接收未核实；替换假设并不消除识别要求，摘要未给出完整条件或实验改善幅度。
原文摘要
Estimating direct and indirect causal effects from observational data is crucial to understanding the causal mechanisms and predicting the behaviour under different interventions. Causal mediation analysis is a method that is often used to reveal direct and indirect effects. Deep learning shows promise in mediation analysis, but the current methods only assume latent confounders that affect treatment, mediator and outcome simultaneously, and fail to identify different types of latent confounders (e.g., confounders that only affect the mediator or outcome). Furthermore, current methods are based on the sequential ignorability assumption, which is not feasible for dealing with multiple types of latent confounders. This work aims to circumvent the sequential ignorability assumption and applies the piecemeal deconfounding assumption as an alternative. We propose the Disentangled Mediation Analysis Variational AutoEncoder (DMAVAE), which disentangles the representations of latent confounders into three types to accurately estimate the natural direct effect, natural indirect effect and total effect. Experimental results show that the proposed method outperforms existing methods and has strong generalisation ability. We further apply the method to a real-world dataset to show its potential application.