論文の概要: Sequential Kernel-based Conditional Independence Testing via Adaptive Betting

• arxiv url: http://arxiv.org/abs/2606.18993v1
• Date: Wed, 17 Jun 2026 12:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.157382
• Title: Sequential Kernel-based Conditional Independence Testing via Adaptive Betting
• Title（参考訳）: 適応ベッティングによる逐次カーネルベース条件独立試験
• Authors: Zheng He, Danica J. Sutherland,
• Abstract要約: モデルX」は、関連する条件分布の正確な知識を仮定する。 既存のシーケンシャルな条件付き独立テストでは、Model-X条件を正確に知る必要がある。 そこで我々は,そのような推定誤差に対して,より頑健な新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 17.48164930490326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Testing conditional independence is fundamental yet intrinsically difficult: without additional assumptions, Type I error control is impossible in general. The "Model-X'' paradigm addresses this difficulty by assuming exact knowledge of a relevant conditional distribution. While small deviations from this assumption can sometimes be tolerated in classical one-shot testing, existing sequential conditional independence tests typically require the Model-X conditional to be known exactly, making them fragile when it must instead be estimated. We propose a new approach that is substantially more robust to such estimation error. Our method applies testing-by-betting to an adaptively optimized Kernel Conditional Independence statistic, together with a normalization scheme and a truncate-and-shift calibration strategy. These modifications greatly reduce Type I error inflation while preserving high power across high-dimensional synthetic benchmarks and real-world fairness tasks, outperforming existing sequential Model-X approaches. Code is available at https://github.com/he-zh/SKCI.
• Abstract（参考訳）: 条件付き独立性のテストは基本的には難しいが、追加の仮定なしでは、タイプIのエラー制御は一般的に不可能である。 Model-X'パラダイムは、関連する条件分布の正確な知識を仮定することで、この問題に対処する。 この仮定からの小さな偏差は、古典的なワンショットテストでは許容されることがあるが、既存の逐次条件付き独立テストでは、モデル-X条件を正確に知る必要がある。 そこで我々は,そのような推定誤差に対して,より頑健な新しい手法を提案する。 本手法は,適応的に最適化されたカーネル条件独立統計量に対して,正規化スキームとトランケート・アンド・シフトキャリブレーション戦略とともに,テスト・バイ・ベッティングを適用した。 これらの修正により、高次元の合成ベンチマークと実世界の公正タスクにまたがる高出力を維持しながら、タイプIエラーのインフレーションを大幅に低減し、既存のシーケンシャルなModel-Xアプローチより優れている。 コードはhttps://github.com/he-zh/SKCIで入手できる。

関連論文リスト

• Hidden Biases in Conditioning Autoregressive Models [0.0]
  大規模言語と音楽モデルは、制約付き世代にますます使われている。 これらのシステムは、しばしば顕著に機能するが、誘導手順は通常、基礎となる自己回帰モデルの正確な条件付けではない。 自己回帰モデルに対するいくつかの正確な推論タスクを定式化する。
  論文  参考訳（メタデータ） (2026-04-09T06:12:16Z)
• The Generalised Kernel Covariance Measure [12.90382979353427]
  条件独立テスト(CI)の問題点を考察し,カーネルベースのアプローチを採用する。 カーネルベースのCIテストは、再現されたカーネルHilbert空間に変数を埋め込み、条件変数への埋め込みを後退させ、限界独立のために結果の残余をテストする。 既存の手法はカーネルリッジの回帰に大きく依存しており、適切に調整すると計算コストが高くなり、未調整の場合には校正テストが不十分である。 本稿では、回帰モデルに依存しないカーネルベースのCIテストフレームワークであるGeneralized Kernel Covariance Measure (GKCM)を提案する。
  論文  参考訳（メタデータ） (2026-04-04T12:55:00Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• 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)
• Learning to Increase the Power of Conditional Randomization Tests [8.883733362171032]
  モデル-X条件ランダム化テストは、条件独立性テストのための一般的なフレームワークである。 本稿では,モデルXテストのパワー向上を目的とした新しいモデル適合方式を提案する。
  論文  参考訳（メタデータ） (2022-07-03T12:29:25Z)
• A Simple Unified Approach to Testing High-Dimensional Conditional Independences for Categorical and Ordinal Data [0.26651200086513094]
  条件独立テスト(CI)は、因果推論におけるモデルテストと構造学習に多くのアプローチをとる。 分類データと順序データのための既存のCIテストは、条件変数によってサンプルを階層化し、各層で単純な独立テストを実行し、結果を組み合わせる。 本稿では,高次元における適切なキャリブレーションとパワーを維持するための,順序データと分類データに対する簡易な統合CIテストを提案する。
  論文  参考訳（メタデータ） (2022-06-09T08:56:12Z)

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。