一种可扩展的非线性非高斯数据条件独立性检验方法
提出了一种基于核的条件独立性检验方法(KCI-test),可以有效地在维数较高、条件集较大、样本容量较小的情况下进行条件独立性检验,并且实验证明该方法胜过其他方法。
Feb, 2012
该研究提出了两种基于随机特征的条件独立性检验方法 RCIT 和 RCoT,它们可以近似替代 KCIT,在大样本情况下比 KCIT 更快更准确,同时应用于 CCD 算法可以提高算法的运行效率。
Feb, 2017
提出了一种基于条件互信息和局部置换方案的全非参数连续数据测试方法,能够适应强非线性相关性,表现优于基于核的测试,并在小样本和高维条件下可靠地模拟零分布。
Sep, 2017
本文提出了一种基于算法独立性的、使用随机复杂性解决离散数据条件互信息估计问题的测试方法 SCI,此方法可以在有限的样本上找到合理的 CMI 阈值。实验证明 SCI 比常规测试具有更低的 II 类错误和更高的召回率,可应用于因果发现算法中。
Mar, 2019
本研究探讨在差分隐私的约束下的条件独立性检验,设计了两种基于广义协方差度量的私有 CI 检验以及基于 Candës 等人的条件随机化检验(在模型 - X 假设下),这是第一种适用于 $ Z $ 为连续型变量的私有 CI 检验。
Jun, 2023
针对连续随机变量,我们将条件独立性检验转化为分类问题并实现了非参数化的方案,通过最近邻引导采样策略生成训练样本,并提出一种大型数据集上性能更好的算法,从而实现有效测试。
Sep, 2017
利用基于核函数的条件独立性测试以及基于约束的因果发现算法,本文致力于从随机动力系统中推断因果结构,证明在路径空间中,我们提出的条件独立性测试相较于现有方法表现优秀,并在允许循环的随机动力系统中,利用时间信息恢复出完整的有向图,通过实验证明我们开发的条件独立性测试结合因果发现算法在多种场景下可靠地优于基线模型。
Feb, 2024
本文研究了如何在关系系统中估计数据之间的独立性,提出了一种基于核均值嵌入的方法,用于定义条件和边缘独立性测试,并在结构假设下实现了可伸缩的核测试方法。实证研究表明,该方法在合成网络和半合成网络等数据集上比基于核的独立性测试的现有方法更为有效。
Jun, 2022
条件独立性检验是机器学习中的常见任务,本文研究了混合类型数据集下基于 k 最近邻的 CMI 估计器,并提出了一种新的方法,该方法不将类别变量视为数值变量,数值实验结果显示我们的变体能更稳定地检测不同数据分布和预处理类型下的依赖关系。
Oct, 2023