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

• Collaborative non-parametric two-sample testing [55.98760097296213]
  目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。 グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。 提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
  論文  参考訳（メタデータ） (2024-02-08T14:43:56Z)
• Precise Error Rates for Computationally Efficient Testing [75.63895690909241]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• A framework for paired-sample hypothesis testing for high-dimensional data [7.400168551191579]
  我々は、各一対のインスタンスを接続するラインセグメントの双分割超平面によって定義される決定規則によって、スコアリング関数が生成できるという考えを提唱した。 まず、各一対の双分極超平面とホッジス・リーマン推定器から導出される集約規則を推定する。
  論文  参考訳（メタデータ） (2023-09-28T09:17:11Z)
• Spectral Regularized Kernel Two-Sample Tests [7.915420897195129]
  MMD (maximum mean discrepancy) two-sample test to be optimal to the terms of the separation boundary in the Hellinger distance。 スペクトル正則化に基づくMDD試験の修正を提案し,MMD試験よりも分離境界が小さく,最小限の試験が最適であることを証明した。 その結果,テストしきい値がエレガントに選択されるテストの置換変種が,サンプルの置換によって決定されることがわかった。
  論文  参考訳（メタデータ） (2022-12-19T00:42:21Z)
• E-Valuating Classifier Two-Sample Tests [11.248868528186332]
  我々のテストは、既存の作業量分割確率比テストと予測独立性テストのアイデアを組み合わせたものです。 得られたE値は、逐次2サンプルテストに適している。
  論文  参考訳（メタデータ） (2022-10-24T08:18:36Z)
• 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)
• 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)
• 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。