[논문 리뷰] Age Predictors Through the Lens of Generalization, Bias Mitigation, and Interpretability: Reflections on Causal Implications

Debdas Paul, Elisa Ferrari외 2명|arXiv (Cornell University)|2026. 03. 17.

Genetic Associations and Epidemiology인용 수 0

한 줄 요약

이 논문은 불변 표현과 적대적 편향 완화가 전사체 데이터로부터의 분포 밖 연령 예측을 어떻게 개선할 수 있는지 분석하고, 인과 해석의 한계를 명확히 하며 개입 효과와의 정합성을 시연합니다.

ABSTRACT

Chronological age predictors often fail to achieve out-of-distribution (OOD) gen- eralization due to exogenous attributes such as race, gender, or tissue. Learning an invariant representation with respect to those attributes is therefore essential to improve OOD generalization and prevent overly optimistic results. In predic- tive settings, these attributes motivate bias mitigation; in causal analyses, they appear as confounders; and when protected, their suppression leads to fairness. We coherently explore these concepts with theoretical rigor and discuss the scope of an interpretable neural network model based on adversarial representation learning. Using publicly available mouse transcriptomic datasets, we illustrate the behavior of this model relative to conventional machine learning models. We observe that the outcome of this model is consistent with the predictive results of a published study demonstrating the effects of Elamipretide on mouse skeletal and cardiac muscle. We conclude by discussing the limitations of deriving causal interpretation from such purely predictive models.

연구 동기 및 목표

• 다양한 환경(조직, 코호트, 프로토콜)을 넘어서는 강건한 연령 추정을 위한 동기 부여(표준 ERM/SLR를 넘어서).
• 분포 이동 하에서 불변성, 편향 완화, 공정성의 역할을 명확히 밝힘.
• 도메인 불변 특징을 촉진하는 적대적 표현 학습 프레임워크를 제안하고 평가함.
• 예측 연령 모델의 인과적 해석과 그 한계에 대해 조사함.
• 공개 데이터의 마우스 전사체 데이터셋을 사용해 프레임워크의 동작을 설명하고 이를 개입 연구와 연결함.

제안 방법

• 여러 환경에서의 연령 예측을 형식화하고 환경 간 조건부 메커니즘의 불변성과 안정성을 논의함.
• 도메인-불변성을 최소화하는 잠재 표현을 가지면서 연령을 예측하는 도메인-적대 학습 프레임워크를 도입함.
• 적대적 설정 내에서 해석 가능한 특징 기여를 위한 l1 필터링 계층을 도입함.
• 도메인 적응 이론(HΔH-다이버전스)에 기초하여 일반화와 잠재적 인과 해석에 대한 시사점을 논의함.
• 마우스 전사체 데이터에 프레임워크를 적용하고 기존 모델과 비교함.
• 순수 예측 모델만으로는 명시적 개입 검증이나 구조적 인과 가정이 없으면 인과적 결론 도출에 한계가 있음을 논의함.

Figure 1: Different associations between $X$ and $Y$ as adopted from Figure 12 of [ 7 ] . A marginal correlation is the weakest form association that ignores dependencies among covariates. A stronger form is the regression relevant coefficients which captures partial correlation (non-zero correlatio

실험 결과

연구 질문

• RQ1 이질적인 환경에서의 불변 표현이 분포 이동에도 강건한 연령 예측을 제공할 수 있는가?
• RQ2 적대적 도메인 적응 프레임워크가 교란 요인을 완화하고 연령 시계의 분포 밖 성능을 개선하는 정도는 어느 정도인가?
• RQ3 예측 연령 모델은 인과 해석을 시사하는가, 아니면 연령 관련 생물학의 안정적 통계 규칙성을 포착하는 것으로 이해하는 것이 더 적절한가?
• RQ4 개입 연구(예: Elamipretide 효과)가 적대적 연령 예측기의 예측과 어떻게 정렬되는가?

주요 결과

• 적대적 도메인 적응 표현은 전통적 모델이 실패하는 마우스 연구에서 처리군과 대조군을 구분할 수 있습니다.
• 적대적 프레임워크의 예측은 외부 연령 예측 연구에서 보고된 회춘 효과와 정렬되며, 앙상블 접근법의 잠재적 활용 가능성을 시사합니다.
• 불변성 기반 표현은 샘플 속성에 묶인 데이터셋 특유의 상관관계 의존도를 줄임으로써 분포 밖 일반화를 향상시킵니다.
• 순수 예측 모델은 명시적 개입 검증이나 구조적 인과 가정이 없으면 인과 추론에 한계가 남습니다.
• 프레임워크는 인과 지향적 해석으로의 이론적으로 근거 있는 경로를 제공하는 한편, 고유의 한계를 인정합니다.
• 해석 계층(l1-필터링)은 예측 신호를 해석 가능한 특징에 귀속시키는 데 도움이 됩니다.

Figure 2: For detailed caption, see Section 12