論文の概要: Fast Nonparametric Conditional Independence Testing via Two-Stage Regression

• arxiv url: http://arxiv.org/abs/2606.18011v2
• Date: Sat, 20 Jun 2026 07:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 16:10:14.607663
• Title: Fast Nonparametric Conditional Independence Testing via Two-Stage Regression
• Title（参考訳）: 2段階回帰による高速非パラメトリック条件独立試験
• Authors: Eric V. Strobl,
• Abstract要約: 本稿では, BLITZ (Broad-to-Local Independence Testing via residualiZation) を導入する。 BLITZは低次回帰を用いて条件集合への広いスムーズな依存を除去し、小さな非線形特徴写像を適用し、これらの特徴を浅い木回帰で残す。 この2段階の設計は,木残基が直面する有効複雑性を低減し,過度な過度な過度なオーバーフィッティングを回避しつつ,浅い木が残留条件-平均バイアスを制御できることを理論的に示す。
• 参考スコア（独自算出の注目度）: 1.8275108630751837
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Constraint-based causal discovery relies on repeated conditional independence tests, but fast nonparametric tests often sacrifice calibration, especially when variables depend on the conditioning set through nonlinear relationships. We introduce BLITZ (Broad-to-Local Independence Testing via residualiZation), a nonparametric conditional independence test designed to run well under a second while maintaining the accuracy needed for the thousands of queries performed by constraint-based causal discovery algorithms. BLITZ first removes broad smooth dependence on the conditioning set using low-order polynomial regression, then applies a small nonlinear feature map and residualizes those features with shallow tree regressions. The resulting statistic tests residual cross-covariance, with a moment-matched chi-square approximation to the null distribution. We show theoretically that the two-stage design reduces the effective complexity faced by the tree residualizers, allowing shallow trees to control residual conditional-mean bias while avoiding excessive overfitting. In simulations, BLITZ provides better null calibration than fast kernel, random-feature, and regression-based competitors while remaining among the fastest methods tested. In causal discovery experiments on synthetic graphs and flow-cytometry data, BLITZ yields more reliable endpoint orientations among retained adjacencies and competitive structural recovery. These results suggest that broad-to-local residualization is a practical route to calibrated, scalable nonparametric conditional independence testing for causal discovery.
• Abstract（参考訳）: 制約に基づく因果発見は、条件付き独立性テストの繰り返しに依存するが、高速な非パラメトリックテストは、特に変数が非線形関係によって設定された条件に依存する場合、キャリブレーションを犠牲にすることが多い。 BLITZ(Broad-to-Local Independence Testing via residualiZation)は,制約に基づく因果探索アルゴリズムによって実行される数千のクエリの精度を維持しつつ,1秒未満で正常に動作するように設計された非パラメトリック条件付き独立テストである。 BLITZはまず低次多項式回帰を用いて条件集合の広いスムーズな依存を除去し、次に小さな非線形特徴写像を適用し、これらの特徴を浅い木回帰で残す。 結果として得られた統計テストは、零分布に対するモーメントマッチングされたチ二乗近似を用いて、相互共分散を残留する。 この2段階の設計は,木残基が直面する有効複雑性を低減し,過度な過度なオーバーフィッティングを回避しつつ,浅い木が残留条件-平均バイアスを制御できることを理論的に示す。 シミュレーションでは、BLITZは高速カーネル、ランダム機能、回帰ベースの競合よりも、より優れたヌルキャリブレーションを提供する。 合成グラフとフローサイトメトリーデータに関する因果探索実験において、BLITZは保持された隣接性および競合構造回復の中でより信頼性の高いエンドポイント配向を与える。 これらの結果から,広域局所残留化は因果発見のための校正・拡張性を有する非パラメトリック条件独立試験の実践的経路であることが示唆された。

関連論文リスト

• PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data [0.0]
  PAIR-CIは非パラメトリック条件独立(CI)テストであり,複数の命令を直接推論手順に統合することによりキャリブレーションを回復する。 確率的に一貫した分散推定器は、クロスバリデーションと多重計算による不確かさを共同で説明する。
  論文  参考訳（メタデータ） (2026-05-06T12:34:37Z)
• Empirically Calibrated Conditional Independence Tests [2.28126966226433]
  条件独立試験(CIT)は因果発見と特徴選択に広く用いられている。 本研究では,誤校正のための実証校正条件独立試験(ECCIT)を提案する。
  論文  参考訳（メタデータ） (2026-02-24T15:56:19Z)
• Detecting Unobserved Confounders: A Kernelized Regression Approach [46.52607207396279]
  Kernel Regression Confounder Detection (KRCD) は、単一環境下での非線形観測データにおける観測不能なコンバウンディングを検出する新しい方法である。 ゼロからの有意な偏差が観測不能な共起を示すテスト統計学。 合成ベンチマークとツインズデータセットの実験は、KRCDが既存のベースラインを上回るだけでなく、計算効率も優れていることを示した。
  論文  参考訳（メタデータ） (2026-01-01T04:26:02Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  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。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Doubly Robust Conditional Independence Testing with Generative Neural Networks [8.323172773256449]
  本稿では、第3の確率ベクトル$Z$を与えられた2つのジェネリックランダムベクトル$X$と$Y$の条件独立性をテストする問題に対処する。 条件分布を明示的に推定しない新しい非パラメトリック試験法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T01:28:59Z)
• 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)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Independence Testing for Temporal Data [14.25244839642841]
  根本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存するような制限があることが多い。 本稿では,時間的データ間の独立性をテストするブロック置換を用いた時間的依存統計法を提案する。
  論文  参考訳（メタデータ） (2019-08-18T17:19:16Z)

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。