arXiv 於 2026 年 10 月 21 日（週三，UTC 16:22:52）收到由 Cong Cao 提交的論文《When Reconstruction Is Not Enough: Doubly Robust Counterfactual and Interventional Mediation Analysis with Learned Multimodal Representations》（arXiv:2610.30220v1，cs.LG 分類，41 KB）。論文共 22 頁、含 1 張表，主分類為機器學習（cs.LG），交叉分類涵蓋人工智能（cs.AI）、統計方法學（stat.ME）與統計機器學習（stat.ML），MSC 主類為 62D20，次類為 62G05 與 68T07，DOI 為 10.48550/arXiv.2610.30220（DataCite 註冊尚待完成）。
論文關注的核心問題是：高維多模態健康記錄的學習表徵正越來越多地被用於混雜調整，但這些表徵通常以重建數據為目標進行訓練，而不是以保留因果識別所需的信息為目標。作者指出，這兩者並不等價，並且這種差距在醫學人工智能的實際應用中可能造成嚴重後果。
研究涵蓋兩類因果目標。第一類是替代治療下的反事實結果，包括特定表型效應，以及數字孿生所提供的患者層面反事實風險畫像。第二類是在暴露誘導的中介混雜（exposure-induced intermediate confounding）下的干預性直接效應與間接效應。作者給出了表徵能夠保留識別性的條件，並進一步表明，干預性中介分析對錶徵的要求比反事實比較更為嚴格。
論文的主要理論結論具有否定性：任何僅基於協變量的訓練目標——無論是重建式、對比式還是物理信息式——都無法證明某個表徵是充分的。作者還證明，在線性結構模型中，表徵可以在幾乎不損失重建精度的同時引入任意大的偏差。這一結果為“重建損失低即表徵好”的常見直覺提供了反例。
在估計層面，作者將交叉擬合的雙穩健估計量的誤差分解為兩部分：一階表徵偏差，以及由 nuisance 估計誤差構成的二階餘項。關鍵之處在於，雙重穩健性與交叉擬合都無法消除一階表徵偏差；因此當表徵不充分時，隨着樣本量增大，置信區間的覆蓋率反而會惡化，而不是改善。
為應對上述問題，作者提出一套工作流程，包括：在估計樣本之外訓練的、按模態劃分的變分自編碼器；交叉擬合的雙穩健估計量；鎖定表型（locked phenotypes）；“先選擇、後確認”的通路分析（select-then-confirm pathway analysis）；可移植表徵；以及針對表徵不充分性、暴露泄漏與敏感性的診斷工具。
模擬實驗給出了直觀警示：丟棄一個罕見但中等強度的混雜因子後，在 n = 3,000 時，間接效應區間的覆蓋率僅為 2%；重建損失完全沒有發現該問題，而一個簡單的預測性診斷在每次重複中都成功標記出了問題。論文的瀏覽上下文標註為 cs.LG 下的 2026-10 新提交。