中介分析不再逐表重拟合：MediPFN把置信区间误差分布预先学出来，配对计时比自助法快59.1倍
核心概要
因果中介分析要把处理效应拆成经中介变量的间接通路和其余直接通路，而给间接效应配置信区间通常要在每张表上重新拟合多个冗余函数并反复重采样。MediPFN把预训练的表格基础模型适配到这些冗余函数的预测上，再用一个单独的头从已知间接效应的模拟表中学习估计量标准化误差的分位数，经对称化与独立校准给出区间。在合成、分布偏移与真实协变量表上，它的覆盖率比若干对照更接近95%名义水平，配对计时中位比自助法快59.1倍。
深度剖析
中介分析现在可以复用一套预先学好的冗余函数预测和误差分布，而不必为每张新表单独拟合条件均值与倾向得分、再靠重采样估不确定性。 此前的实现要在每个研究里分别拟合处理分配、中介分布和结果响应这些可能非线性的函数，间接效应估计的不确定性取决于这些估计误差如何传播。 在合成数据上，MediPFN在分布内、源偏移和组成偏移三种设置下的覆盖率分别为94.01%、92.97%和91.67%，在第一组真实协变量表上为94.14%，在每个设置中都是所展示方法里最接近95%的。
做法是让一个冻结的表格基础模型只通过轻量适配头接收新表的观测标签，再由另一个头直接给出估计量误差的分位数。 适配头在标准化特征上学习小幅加性调整，输出端为分类和回归分别设尺度与偏移，分类在log-odds尺度上调整后映回倾向得分，回归则对预测均值做缩放平移。 误差头接收1024维池化表示和14项表与估计量摘要，在10000张机制均衡的合成表上训练，再用1536张由八个OpenML协变量源生成的半合成表做监督微调，最后在256张来自两个独立OpenML源的校准表上确定区间扩张。
启示与展望
评估覆盖合成表、源偏移与组成偏移表、576张压力表，以及由八个OpenML数据集协变量重采样生成的半合成表；识别结论建立在一致性、正性和序贯可交换性三条标准因果假设之上。
源偏移、小样本和重尾结果下的表现说明需要同时考察覆盖率与区间长度；作者把扩展模拟先验、更广分布偏移下的估计不确定性、工具变量等其他因果设置以及未测中介—结果混杂的敏感性分析列为后续方向。