MMApr, 2018

条件独立性测试的难度和广义协方差测度

PDF
TL;DR本文证明在连续的随机变量情况下测试条件独立性是一个特别困难的问题，我们提出了一种基于非线性回归和基于样本协方差的测试统计量 —— 广义协方差测度（GCM）方法，并在内核岭回归的理论保证下扩展到处理多变量或高维数据的场景，仿真研究表明，GCM 测试具有与现有条件独立性测试相竞争的能力。
发现论文，激发创造
  • 极小极大化最优条件独立性测试

    研究了在条件分布连续的情况下，基于条件独立性测试 $X$ 和 $Y$ 关于 $Z$，$X$ 和 $Y$ 均为离散或连续变量的问题。考虑到条件独立性测试的研究，对于所有绝对连续的条件分布都无法设计非平凡的测试以控制所有的一类错误并确保在有趣的替代情况下仍然具有功效，因此在条件分布的各个自然光滑性假设下研究了条件独立性测试的难度，并以总变差度量指标的临界分离半径为下界和上界。最后，提供了一种新的证明方法以证明 Shah 与 Peters 的结论。

    Jan, 2020

  • 差分隐私条件独立性检验

    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

  • 模型驱动的条件独立性检验

    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

  • 一种简单的条件依赖度量

    该研究提出了一种基于条件独立的系数唯一性测量方法，与经典的部分 R2 统计量相关。根据这一系数唯一性测量方法，他们构建了一个无调参算法：Feature Ordering by Conditional Independence (FOCI)，用于变量选择，该算法在稀疏假设下可被证明是一致的，并赋予其与回归模型和非线性模型的关联。

    Oct, 2019

  • 一种可扩展的非线性非高斯数据条件独立性检验方法

    提出一种新的 O (N^2) 条件相关独立性检验方法 (CC I)，比使用核复现希尔伯特空间 (KCI) 方法计算要快得多，对高维度数据集适用，并且在处理复杂的非线性、非高斯数据集时，比 Harris＆Drton（2012）方法以及偏相关度量 (线性高斯检验) 更准确。

    Jan, 2014

  • 基于最近邻采样的条件独立性检验

    本文提出了一种无需假设 X 给定 Z 的精确分布的条件随机化检验的新方法，并利用计算高效的 1 最近邻来近似编码空假设的条件分布。经实验证明，该方法不仅计算速度快，而且对于合成和实际数据分析都非常有效。

    Apr, 2023

  • 基于核的条件独立性检验及其在因果发现中的应用

    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

  • 基于最近邻估计器的条件互信息独立性检验

    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

  • 条件独立性的实用核检验

    描述了一种数据高效、基于核的条件独立性统计检验方法，通过数据拆分、辅助数据和更简单的函数类别等方法，控制偏差并校正测试水平，适用于合成和真实数据。

    Feb, 2024

  • 相关随机向量的检测

    研究标准正态随机向量之间是否存在相关性的假设检验问题，提出了信息理论下界的评估方法，同时探索了多维情况下观察两个数据库 / 矩阵之间的部分相关性。

    Jan, 2024