論文の概要: A Sample Efficient Conditional Independence Test in the Presence of Discretization

• arxiv url: http://arxiv.org/abs/2506.08747v1
• Date: Tue, 10 Jun 2025 12:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.461889
• Title: A Sample Efficient Conditional Independence Test in the Presence of Discretization
• Title（参考訳）: 離散化の有無を考慮した条件付き独立試験
• Authors: Boyang Sun, Yu Yao, Xinshuai Dong, Zongfang Liu, Tongliang Liu, Yumou Qiu, Kun Zhang,
• Abstract要約: 離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
• 参考スコア（独自算出の注目度）: 54.047334792855345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many real-world scenarios, interested variables are often represented as discretized values due to measurement limitations. Applying Conditional Independence (CI) tests directly to such discretized data, however, can lead to incorrect conclusions. To address this, recent advancements have sought to infer the correct CI relationship between the latent variables through binarizing observed data. However, this process inevitably results in a loss of information, which degrades the test's performance. Motivated by this, this paper introduces a sample-efficient CI test that does not rely on the binarization process. We find that the independence relationships of latent continuous variables can be established by addressing an over-identifying restriction problem with Generalized Method of Moments (GMM). Based on this insight, we derive an appropriate test statistic and establish its asymptotic distribution correctly reflecting CI by leveraging nodewise regression. Theoretical findings and Empirical results across various datasets demonstrate that the superiority and effectiveness of our proposed test. Our code implementation is provided in https://github.com/boyangaaaaa/DCT
• Abstract（参考訳）: 多くの実世界のシナリオでは、興味のある変数は測定の制限のためにしばしば離散値として表される。 しかし、そのような離散化されたデータに直接条件付き独立性テストを適用することは、誤った結論につながる可能性がある。 これを解決するために、近年の進歩は、観測されたデータをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 しかし、このプロセスは必然的に情報が失われ、テストのパフォーマンスが低下する。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。 一般化法(GMM)を用いて過度に同定された制約問題に対処することにより,潜伏連続変数の独立性関係を確立することができる。 この知見に基づき、我々は適切なテスト統計を導出し、ノードワイド回帰を利用してCIを正しく反映した漸近分布を確立する。 様々なデータセットにおける理論的知見と実証結果から,提案試験の優位性と有効性が確認された。 私たちのコード実装はhttps://github.com/boyangaaaaaa/DCTで提供されます。

関連論文リスト

• Permutation-Based Rank Test in the Presence of Discretization and Application in Causal Discovery with Mixed Data [16.892960387325743]
  心理学的な研究において、ある人の特定の個性の次元の連続的なレベルは、離散化後にのみ測定できる。 変数が離散化されても統計的誤差を適切に制御できる混合データ置換型ランクテスト(MPRT)を提案する。 MPRTは離散化の有無でType Iエラーを効果的に制御できるが、以前の方法では制御できない。
  論文  参考訳（メタデータ） (2025-01-31T09:47:26Z)
• Testing Conditional Mean Independence Using Generative Neural Networks [8.323172773256449]
  我々は,新しい集団CMI尺度とブートストラップモデルに基づくテスト手順を導入する。 深部生成ニューラルネットワークは、人口測定に関わる条件付き平均関数を推定するために用いられる。
  論文  参考訳（メタデータ） (2025-01-28T23:35:24Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
  潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。 本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:39Z)
• Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations [44.71254888821376]
  我々は、一般的な非データ生成プロセスの下で、最初のタイプIエラーと予測リジェクション時間保証を提供する。 本研究では, 平均処理効果など, 方程式を推定することによって定義されるパラメータの推測に, 結果を適用する方法を示す。
  論文  参考訳（メタデータ） (2022-12-29T18:37:08Z)
• Sequential Kernelized Independence Testing [77.237958592189]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• Conditional Independence Testing via Latent Representation Learning [2.566492438263125]
  LCIT(Latent representation based Conditional Independence Test)は、表現学習に基づく条件付き独立テストのための新しい非パラメトリック手法である。 我々の主な貢献は、Z が与えられた X と Y の独立性をテストするための生成的枠組みの提案である。
  論文  参考訳（メタデータ） (2022-09-04T07:16:03Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Testing for Outliers with Conformal p-values [14.158078752410182]
  目標は、新しい独立したサンプルが参照データセットと同じ分布に属するかどうかをテストすることである。 そこで本論文では,p-値が有意であるが,異なるテストポイントに対して互いに依存する,広く適用可能なフレームワークである共形推論に基づく解を提案する。 我々は、これらのp値が正に依存し、正確な誤発見率制御を可能にすることを証明している。
  論文  参考訳（メタデータ） (2021-04-16T17:59:21Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。