Oct, 2023

混合连续 - 分类变量的非参数条件独立性检验：一种新方法和数值评估

PDF
TL;DR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。
conditional independence testingmixed-type datasetscmi estimatorsk-nearest-neighborsdependencies
发现论文，激发创造
  • 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

  • 基于核的近似条件独立性检验，用于快速的非参数因果关系发现

    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

  • 基于分类器的条件互信息估计（CCMI）

    本文提出了基于分类器和生成模型的方法来解决条件互信息估计中高维造成的维度灾难问题，并使用提出的方法来进行条件独立性检验，相比于现有方法取得了优越的表现。

    Jun, 2019

  • 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

  • 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

  • 基于互信息的非参数独立性检验

    提出了一种称为 MINT 的新方法，该方法基于互信息的估计，并使用从最近的邻居距离导出的有效熵估计器，从而便于将互信息分解为联合和边际熵，用于检验两个多变量随机向量的独立性，并可将其扩展为基于测量协变量向量与误差向量独立性的新正态线性模型是否适配的卡方检验，并在模拟和真实数据上进行了数值研究。

    Nov, 2017

  • 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

  • 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

  • 使用随机复杂度测试离散数据的条件独立性

    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

  • 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