无数据划分的学习核检验
机器学习
2020-10-20 v3 机器学习
摘要
现代大规模基于核的检验（如最大均值差异 (MMD) 与核化 Stein 差异 (KSD)）通过在留出样本上通过数据划分优化核超参数，以获得最具功效的检验统计量。尽管数据划分带来了易处理的零分布，却因检验样本量变小而遭受检验功效降低。受选择性推断框架启发，我们提出一种方法，可在全样本上学习超参数并检验而无需数据划分。我们的方法能在存在此类依赖时正确校准检验，并以闭式给出检验阈值。在相同显著性水平下，无论划分比例如何，我们方法的检验功效在经验上均大于数据划分方法。
引用
@article{arxiv.2006.02286,
title = {Learning Kernel Tests Without Data Splitting},
author = {Jonas M. Kübler and Wittawat Jitkrittum and Bernhard Schölkopf and Krikamol Muandet},
journal= {arXiv preprint arXiv:2006.02286},
year = {2020}
}
备注
24 (11+13) pages, 10 figures. Camera-Ready version. Accepted to the Thirty-fourth Conference on Neural Information Processing Systems (NeurIPS 2020)