退化核检验的 Wild Bootstrap 方法
机器学习
2016-09-28 v2
摘要
提出了一种基于核分布嵌入的非参数假设检验的 wild bootstrap 方法。该 bootstrap 方法用于构建具有理论一致性的检验，适用于随机过程，而在此类情形下基于置换的朴素 bootstrap 会失效。它适用于一大类基于 V-统计量的核检验，这些检验在原假设下是退化的，而在其他情况下是非退化的。为了说明该方法，我们构建了双样本检验、瞬时独立性检验以及时间序列的多滞后独立性检验。实验表明，wild bootstrap 在合成数据、音频数据以及 Gibbs 采样器的性能基准测试中均表现出优异的性能。
引用
@article{arxiv.1408.5404,
title = {A Wild Bootstrap for Degenerate Kernel Tests},
author = {Kacper Chwialkowski and Dino Sejdinovic and Arthur Gretton},
journal= {arXiv preprint arXiv:1408.5404},
year = {2016}
}