論文の概要: Zero-Flow Two-Sample Tests

• arxiv url: http://arxiv.org/abs/2607.21542v1
• Date: Thu, 23 Jul 2026 17:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.499351
• Title: Zero-Flow Two-Sample Tests
• Title（参考訳）: ゼロフロー2サンプル試験
• Abstract要約: そこで本研究では,2組のサンプルが同一分布から抽出されるか否かを判定するための2サンプル試験手法を提案する。 この試験はゼロフロー整合性(ゼロフロー整合性)(ZFD)というゼロフロー整合性(ゼロフロー整合性)に基づく統計的整合性の上に構築される。 我々はZFDの有効性を証明し、ゼロフロー2サンプルテスト(ZF2ST)と呼ばれる実用的な試験手順を提案する。
• 参考スコア（独自算出の注目度）: 47.04254380987003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new approach to two-sample testing for deciding whether two sets of samples are drawn from the same distribution. The test is built on a statistical discrepancy based on the zero-flow criterion, termed zero-flow discrepancy (ZFD). We prove the validity of ZFD and propose a practical testing procedure, termed the zero-flow two-sample test (ZF2ST). The key idea is to learn how samples from the two distributions are locally misaligned and use the resulting directional pattern as evidence of distributional difference. By separating witness learning from hypothesis evaluation, ZF2ST can use flexible neural networks while maintaining valid statistical calibration. We develop both regression-based and power-maximized approaches for learning the witness. Experiments on synthetic and image datasets demonstrate that ZF2ST can achieve strong testing power for structured distributional changes while maintaining well-calibrated type-I error.
• Abstract（参考訳）: そこで本研究では,2組のサンプルが同一分布から抽出されるか否かを判定するための2サンプル試験手法を提案する。 この試験はゼロフロー基準に基づく統計的差分に基づいて構築され、ゼロフロー差分(ZFD)と呼ばれる。 本稿では,ZFDの有効性を証明し,ゼロフロー2サンプル試験(ZF2ST)と呼ばれる実用的試験手法を提案する。 鍵となる考え方は、2つの分布からのサンプルがどのように局所的に不整合しているかを学習し、結果の方向パターンを分布差の証拠として使うことである。 仮説評価から証人学習を分離することにより、ZF2STは有効な統計的校正を維持しながら柔軟なニューラルネットワークを使用することができる。 我々は、証人学習のための回帰ベースとパワー最大化の両方のアプローチを開発する。 合成および画像データセットの実験により、ZF2STは、よく校正されたタイプIエラーを維持しながら、構造化された分布変化に対して強力なテスト能力が得られることが示された。

関連論文リスト

• Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
  デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。 本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。 合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
  論文  参考訳（メタデータ） (2026-08-28T07:05:38Z)
• Counterfactual Explanations for Deep Two-Sample Testing [6.491513951159988]
  2サンプルテストは、科学的領域間での分布差を検出するための基本的なツールである。 最近のディープ2サンプルテストは、情報表現を学習することで、これらの設定の感度を向上させる。 本稿では,深部2サンプルテストのための実例説明フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-29T14:17:08Z)
• 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)
• Kernel conditional tests from learning-theoretic bounds [16.813275168865953]
  本研究では,条件付き確率分布の仮説テストのためのフレームワークを提案する。 次に、条件分布の関数の統計的テストを構築する。 本研究は,機能検査の総合的基盤を構築した。
  論文  参考訳（メタデータ） (2025-06-04T12:53:13Z)
• Conditional Diffusion Models Based Conditional Independence Testing [8.34871567507739]
  条件付きランダム化テスト (CRT) は2つの確率変数である$X$ と $Y$ が条件独立かどうかをテストするために最近導入された。 条件拡散モデル(CDM)を用いて,X|Z$の分布を学習する。
  論文  参考訳（メタデータ） (2024-12-16T13:03:18Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• Transductive conformal inference with adaptive scores [3.591224588041813]
  トランスダクティブな設定では、テストのサンプルとして$m$の新たなポイントが決定されます。 本研究はP'olya urnモデルに従い, 実験分布関数の濃度不等式を確立することを目的とする。 本研究では,2つの機械学習タスクに対して一様かつ不確率な保証を行うことにより,これらの理論的結果の有用性を示す。
  論文  参考訳（メタデータ） (2023-10-27T12:48:30Z)
• Active Sequential Two-Sample Testing [18.99517340397671]
  サンプル測定が安価に利用できる新しいシナリオでは,この2サンプルテストの問題を考慮する。 我々は,emphactiveNIST-sampleテストフレームワークを考案し,逐次クエリだけでなく,emphactivelyクエリも考案した。 実際に、我々はフレームワークのインスタンス化を導入し、いくつかの実験を用いて評価する。
  論文  参考訳（メタデータ） (2023-01-30T02:23:49Z)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)
• Significance tests of feature relevance for a blackbox learner [6.72450543613463]
  ブラックボックス学習者の特徴関連性に関する2つの一貫した試験を導出する。 第1は、推論サンプルの摂動による損失差を評価する。 2つ目は推論サンプルを2つに分割するが、データの摂動は必要ない。
  論文  参考訳（メタデータ） (2021-03-02T00:59:19Z)
• 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)

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。