本論文「When Reconstruction Is Not Enough: Doubly Robust Counterfactual and Interventional Mediation Analysis with Learned Multimodal Representations」は、Cong Cao 氏によって 2026 年 10 月 21 日（水）16:22:52 UTC に arXiv へ投稿された（arXiv:2610.30220v1、cs.LG、41 KB）。全 22 ページ、表 1 点からなり、主分類は機械学習（cs.LG）、交叉分類は人工知能（cs.AI）、統計方法論（stat.ME）、統計的機械学習（stat.ML）に及ぶ。MSC クラスは主類 62D20、副類 62G05 および 68T07 で、DOI は 10.48550/arXiv.2610.30220（DataCite による登録は保留中）である。
論文の中心的問題は次の点にある。高次元のマルチモーダルな健康記録から学習した表現（representation）は、交絡調整のためにますます利用されているが、それらは通常、因果的識別に必要な情報を保つようではなく、データを再構成するよう訓練されている。著者はこの二つが等価でないことを示し、医療 AI の実運用において重大な帰結を招きうると論じる。
扱う因果的標的は二種類ある。第一は代替治療下の反事実的結果であり、表現型特異的効果や、デジタルツインが提供するような患者レベルの反事実的リスクプロファイルを含む。第二は、曝露に誘発された中間交絡（exposure-induced intermediate confounding）下での介入的直接効果および間接効果である。著者は表現が識別性を保つための条件を与え、介入的中介分析が反事実的比較よりも要求が厳しいことを示す。
理論面の主要な結論は否定的である。共変量のみに基づく訓練目的関数は、再構成型・対照型・物理情報型のいずれであっても、その表現が十分であることを証明できない。さらに線形構造モデルにおいて、表現は再構成精度をほとんど損なわずに任意に大きなバイアスを生じさせうることが証明される。これは「再構成損失が低ければ表現は良い」という通念への反例となる。
推定の面では、著者はクロスフィッティングした二重頑健推定器の誤差を、一次の表現バイアスと、nuisance 推定誤差からなる二次の剰余項に分解する。重要なのは、二重頑健性もクロスフィッティングも一次の表現バイアスを取り除けないという点であり、表現が不十分な場合、標本サイズが増えるほど被覆率は改善どころか悪化する。
対策として提案されるワークフローは、推定標本の外で訓練したモダリティ別変分オートエンコーダ、クロスフィッティングした二重頑健推定器、固定された表現型（locked phenotypes）、選択後確認型の経路解析（select-then-confirm pathway analysis）、可搬な表現、そして表現の不十分性・曝露リーケージ・感度に関する診断を組み合わせる。
シミュレーションは具体的な警告を与える。希少だが中程度に強い交絡因子を捨てた場合、n = 3,000 で間接効果の区間被覆率はわずか 2% となった。再構成損失はこの問題を捉えられなかった一方、単純な予測的診断はすべての反復で問題を検出した。ブラウズ文脈は cs.LG の 2026-10 新着として示されている。