[论文解读] Age Predictors Through the Lens of Generalization, Bias Mitigation, and Interpretability: Reflections on Causal Implications

Debdas Paul, Elisa Ferrari+2 more|arXiv (Cornell University)|Mar 17, 2026

Genetic Associations and Epidemiology被引用 0

一句话总结

论文分析不变表示与对抗性偏见缓解如何在转录组数据的分布外年龄预测中发挥作用，阐明对因果解释的局限性并展示与干预效应的一致性

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.

研究动机与目标

• 在异质环境（组织、队列、协议）中超越常规ERM/SLR，推动鲁棒的真实年龄预测。
• 澄清不变性、偏差缓解与公平性在分布转移下的年龄预测中的作用。
• 提出并评估一种促进域不变特征的对抗表示学习框架。
• 研究预测年龄模型的因果解释及其中的局限性。
• 利用公开可用的小鼠转录组数据集来说明框架行为，并将发现与干预研究相关联。

提出的方法

• 在多环境下公式化年龄预测，并讨论环境间条件机制的不变性与稳定性。
• 引入域对抗学习框架，潜在表示在最小化域判别的同时预测年龄。
• 在对抗设定中加入一个l1-filtering 层以实现可解释的特征归因。
• 以领域自适应理论（HΔH-发散度）为基础并讨论对泛化和潜在因果解释的意义。
• 将该框架应用于小鼠转录组数据，并与传统模型进行比较。
• 讨论仅基于预测模型在推导因果结论方面的局限性。

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

实验结果

研究问题

• RQ1 在异质环境中不变表示是否能在分布转移下实现稳健的年龄预测？
• RQ2 对抗域自适应框架在多大程度上缓解混淆、提升分布外的年龄钟预测性能？
• RQ3 预测年龄模型是否意味着因果解释，还是更可能被理解为捕捉年龄相关生物学的稳定统计规律？
• RQ4 干预研究（如Elamipretide效应）与对抗性年龄预测器的预测有何一致性？

主要发现

• 对抗性域自适应表示可以在传统模型失败的小鼠研究中区分处理组与对照组。
• 对抗框架的预测与外部年龄预测研究中报道的年轻化效应一致，提示集成方法的潜在效用。
• 基于不变性表示通过减少对数据集特定相关性的依赖来改善分布外的泛化。
• 仅仅是预测模型在没有显式干预验证或结构因果假设的情况下在因果推断方面仍然受限。
• 该框架提供了一个理论上有据可依的路径来走向因果导向的解释，同时承认固有局限性。
• 一个实用的解释层（l1-filtering）有助于将预测信号归因于可解释的特征。

Figure 2: For detailed caption, see Section 12