协作式非参数双样本检验
机器学习
2024-02-09 v1 机器学习
摘要
本文解决了图结构设置中的多重双样本检验问题，这是空间统计学和神经科学等领域中的常见场景。固定图中的每个节点 处理两个节点特定概率密度函数 (pdf) 和 之间的双样本检验问题。目标是在假设相连节点会产生相似检验结果的前提下，识别应拒绝零假设 的节点。我们提出了非参数协作式双样本检验 (CTST) 框架，该框架有效利用图结构并最小化对 和 的假设。我们的方法整合了 f-散度估计、核方法和多任务学习的要素。我们使用合成实验和一个检测地震活动的真实传感器网络来证明，CTST 优于在每个节点独立应用的最先进的非参数统计检验，后者忽视了问题的几何结构。
引用
@article{arxiv.2402.05715,
title = {Collaborative non-parametric two-sample testing},
author = {Alejandro de la Concha and Nicolas Vayatis and Argyris Kalogeratos},
journal= {arXiv preprint arXiv:2402.05715},
year = {2024}
}