論文の概要: An Optimal Witness Function for Two-Sample Testing
- arxiv url: http://arxiv.org/abs/2102.05573v1
- Date: Wed, 10 Feb 2021 17:13:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 17:10:39.995927
- Title: An Optimal Witness Function for Two-Sample Testing
- Title(参考訳): 2サンプルテストのための最適証人関数
- Authors: Jonas M. K\"ubler, Wittawat Jitkrittum, Bernhard Sch\"olkopf, Krikamol
Muandet
- Abstract要約: 証人2サンプルテスト(WiTS)と呼ばれる1次元証人関数に基づくデータ依存テスト統計法を提案する。
特性カーネルに基づく WiTS テストは,任意の固定された代替品に対して一貫したものであることを示す。
- 参考スコア(独自算出の注目度): 13.159512679346685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose data-dependent test statistics based on a one-dimensional witness
function, which we call witness two-sample tests (WiTS tests). We first
optimize the witness function by maximizing an asymptotic test-power objective
and then use as the test statistic the difference in means of the witness
evaluated on two held-out test samples. When the witness function belongs to a
reproducing kernel Hilbert space, we show that the optimal witness is given via
kernel Fisher discriminant analysis, whose solution we compute in closed form.
We show that the WiTS test based on a characteristic kernel is consistent
against any fixed alternative. Our experiments demonstrate that the WiTS test
can achieve higher test power than existing two-sample tests with optimized
kernels, suggesting that learning a high- or infinite-dimensional
representation of the data may not be necessary for two-sample testing. The
proposed procedure works beyond kernel methods, allowing practitioners to apply
it within their preferred machine learning framework.
- Abstract(参考訳): 実例2サンプルテスト(WiTSテスト)と呼ばれる,1次元の目撃機能に基づくデータ依存型テスト統計を提案する。
まず, 漸近的テストパワー目標を最大化することで, 証人関数を最適化し, 2つのホールドアウトテストサンプルで評価された証人の手段の差をテスト統計として用いる。
witness関数が再生カーネルヒルベルト空間に属するとき、我々は閉じた形で計算するソリューションであるカーネルフィッシャー識別分析によって最適な目撃者が与えられることを示します。
我々は、特性カーネルに基づくWiTSテストが任意の固定代替品に対して一貫性があることを示した。
実験により,WiTSテストは,最適化カーネルを用いた既存の2サンプルテストよりも高いテストパワーを達成できることが示され,2サンプルテストでは,データの高次元あるいは無限次元表現の学習は不要である可能性が示唆された。
提案手法はカーネルメソッドを超えて動作し、実践者が好みの機械学習フレームワークにそれを適用できるようにする。
関連論文リスト
- Spectral Regularized Kernel Two-Sample Tests [7.122170439221738]
MMD (maximum mean discrepancy) two-sample test は,Hellinger 距離で測定された分離境界において最適ではないことを示す。
本稿では、正規化パラメータを選択するためのデータ駆動型戦略を含む、上記のテストの適応バージョンを提案する。
この結果から,テストしきい値がサンプルの置換によって選択されるテストの置換変種について検討した。
論文 参考訳(メタデータ) (2022-12-19T00:42:21Z) - Model-Free Sequential Testing for Conditional Independence via Testing
by Betting [8.293345261434943]
提案されたテストでは、任意の依存関係構造を持つ入ってくるi.d.データストリームを分析できる。
重要な結果が検出されれば,オンライン上でのデータポイントの処理を可能とし,データ取得を停止する。
論文 参考訳(メタデータ) (2022-10-01T20:05:33Z) - Listen, Adapt, Better WER: Source-free Single-utterance Test-time
Adaptation for Automatic Speech Recognition [65.84978547406753]
Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。
単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
論文 参考訳(メタデータ) (2022-03-27T06:38:39Z) - Nonparametric Conditional Local Independence Testing [69.31200003384122]
条件付き局所独立は、連続的な時間プロセス間の独立関係である。
条件付き地域独立の非パラメトリックテストは行われていない。
二重機械学習に基づく非パラメトリックテストを提案する。
論文 参考訳(メタデータ) (2022-03-25T10:31:02Z) - Adversarial Attacks and Defense for Non-Parametric Two-Sample Tests [73.32304304788838]
本稿では,非パラメトリックTSTの障害モードを逆攻撃により系統的に明らかにする。
TST非依存的な攻撃を可能にするために,異なる種類のテスト基準を協調的に最小化するアンサンブル攻撃フレームワークを提案する。
そこで本研究では,TSTの強化のために,逆対を反復的に生成し,深層カーネルを訓練する最大最小最適化を提案する。
論文 参考訳(メタデータ) (2022-02-07T11:18:04Z) - An $\ell^p$-based Kernel Conditional Independence Test [21.689461247198388]
そこで本稿では, 最適分布の2つのカーネルベース代表者間の距離を$Lp$とする, 条件付き独立性のための計算効率の高い新しいテストを提案する。
我々は,新しい試験の性能が,高次元設定においても,統計的パワーとタイプI誤差の両方の観点から,最先端の手法よりも優れていることを示す一連の実験を行った。
論文 参考訳(メタデータ) (2021-10-28T03:18:27Z) - Two-Sample Testing on Ranked Preference Data and the Role of Modeling
Assumptions [57.77347280992548]
本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。
私たちのテストでは、基本的に分布に関する仮定は必要ありません。
実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
論文 参考訳(メタデータ) (2020-06-21T20:51:09Z) - Learning Kernel Tests Without Data Splitting [18.603394415852765]
データ分割なしにハイパーパラメータの学習と全サンプルでのテストを可能にするアプローチを提案する。
我々のアプローチの試験能力は、その分割割合に関係なく、データ分割アプローチよりも経験的に大きい。
論文 参考訳(メタデータ) (2020-06-03T14:07:39Z) - Noisy Adaptive Group Testing using Bayesian Sequential Experimental
Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。
本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文 参考訳(メタデータ) (2020-04-26T23:41:33Z) - Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。
私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
論文 参考訳(メタデータ) (2020-02-21T03:54:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。