.png){kind=icon}
返回
Regression-based conditional independence test with adaptive kernels
.png){kind=icon}
PRE
AI
DOI：10.1016/j.artint.2025.104391.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于回归的、采用自适应核的条件下独立（CI）检验的新框架，其中将CI检验任务简化为回归和统计独立性检验，同时证明了若能保证回归的一致性，通过自适应学习独立性检验的参数化核，可以最大化CI检验的功效。对于独立性检验的自适应核学习，我们首先通过建模学习过程中零分布的变化，解决了现有信噪比准则中固有的缺陷，然后设计了一类新的核函数，能够自适应地聚焦于变量的显著维度以判断独立性，这使得检验比仅适应长度尺度的简单核函数更加灵活，尤其适用于高维复杂数据。理论上，我们证明了所提检验的一致性，并表明用于学习的非凸目标函数满足L平滑条件，从而有利于优化。在合成数据和真实数据上的实验结果展示了我们方法的优势。源代码和数据集可在https://github.com/hzsiat/AdaRCIT获取。
Keyword:
regression-based conditional independence
adaptive kernels
signal-to-noise ratio
high-dimensional data
statistical independence test
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
Gaussian Processes for Independence Tests with Non-iid Data in Causal Inference因果推理中非iid数据独立性检验的高斯过程
OAAI
OAAI分享收藏THE HARDNESS OF CONDITIONAL INDEPENDENCE TESTING AND THE GENERALISED COVARIANCE MEASURE.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容