条件独立性检验的实用核方法
机器学习
2025-09-23 v2
摘要
我们描述了一种数据高效、基于核的条件独立性统计检验方法。条件独立性检验的一个主要挑战是在保持竞争性检验功效的同时，获得正确的检验水平（即指定的假阳性率上限）。过多的假阳性源于检验统计量的偏差，而在本例中，该统计量是通过非参数核岭回归获得的。我们提出了 SplitKCI，一种基于数据分割的自动化方法，用于控制基于核的条件独立性（KCI）检验的偏差。我们从理论上并结合合成数据与真实世界数据表明，我们的方法在不牺牲检验功效的情况下，显著改善了 KCI 的检验水平控制。
引用
@article{arxiv.2402.13196,
title = {Practical Kernel Tests of Conditional Independence},
author = {Roman Pogodin and Antonin Schrab and Yazhe Li and Danica J. Sutherland and Arthur Gretton},
journal= {arXiv preprint arXiv:2402.13196},
year = {2025}
}
备注
v2: substantial updates