論文の概要: Anytime-valid simulation-based hypothesis testing

• arxiv url: http://arxiv.org/abs/2610.08210v1
• Date: Tue, 06 Oct 2026 12:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.96849
• Title: Anytime-valid simulation-based hypothesis testing
• Title（参考訳）: 実時間シミュレーションに基づく仮説テスト
• Abstract要約: 我々は、i.d.シミュレーションにしかアクセスできない密度のない設定を考える。 我々は,e-testマーチンゲールを構築し,任意の値の型Iエラーを保証するシーケンシャルなテストを行う。 本論文の価値は、密度のないシミュレーションに基づく逐次仮説テストケースに対して、有効かつ有意な解をコンパクトに提示することにある。
• 参考スコア（独自算出の注目度）: 13.61966594130545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For a given data distribution $(X_t)_{t \in \mathbb{N}} \sim Q$ i.i.d., we investigate the hypothesis testing problem: $H_0: Q = P_0$ vs. $H_1: Q = P_1$, for two different model probability distributions $P_0$ and $P_1$. In contrast to the standard setting, where analytic densities $p_0$ and $p_1$ are given, here, we consider the density-free setting, where we only have access to i.i.d. simulations $(Z^0_t)_{t \in \mathbb{N}} \sim P_0$ and $(Z^1_t)_{t \in \mathbb{N}} \sim P_1$. For this simulation-based hypothesis testing setting, we construct an e-test martingale, resulting in a sequential test with anytime-valid type-I error guarantees, approximate growth optimality, geometrically decaying type-II error bounds, and asymptotic power one. Most ingredients used in our constructions are variants of well known concepts. The value of this paper lies in the compact presentation of an effective, anytime-valid solution for the density-free simulation-based sequential hypothesis testing case.
• Abstract（参考訳）: 与えられたデータ分布 $(X_t)_{t \in \mathbb{N}} \sim Q$, i.d. に対して、仮説テスト問題:$H_0: Q = P_0$ vs. $H_1: Q = P_1$, for two different model probability distributions $P_0$ and $P_1$。 ここでは解析密度$p_0$と$p_1$が与えられる標準設定とは対照的に、密度のない設定を考えると、等式$(Z^0_t)_{t \in \mathbb{N}} \sim P_0$と$(Z^1_t)_{t \in \mathbb{N}} \sim P_1$にしかアクセスできない。 このシミュレーションに基づく仮説テスト環境では,E-test Martingaleを構築し,任意の時間値のタイプIエラー保証,近似的成長最適性,幾何的に減衰するタイプIIエラー境界,漸近パワー1を逐次テストする。 私たちの建築で使われるほとんどの材料は、よく知られた概念の変種である。 本論文の価値は、密度のないシミュレーションに基づく逐次仮説テストケースに対して、有効かつ有意な解をコンパクトに提示することにある。

関連論文リスト

• Hypothesis Testing for Generalized Thurstone Models [12.379142732634113]
  仮説テストフレームワークの開発により、ペア比較データが基礎となるモデルによって生成されるかどうかを判断する。 分離距離に基づく仮説テスト,信頼区間の構築,I型およびII型エラーの確率に基づく一様境界の設定を提案する。 我々は、合成および実世界のデータセットに関する実験を通して結果を検証する。
  論文  参考訳（メタデータ） (2025-12-02T16:32:42Z)
• Non-iid hypothesis testing: from classical to quantum [4.258175645355975]
  不特定分散環境での仮説テスト(いわゆる状態認証)について検討する。 任意の$d$-次元仮説状態 $sigma$ に対して、$rho_mathrmavg = sigma$ と $D_mathrmtr(rho_mathrmavg,sigma) > epsilon$ provided $T gg d/epsilon2$ を区別することができる。
  論文  参考訳（メタデータ） (2025-10-07T17:19:26Z)
• Provable Scaling Laws for the Test-Time Compute of Large Language Models [84.00141420901038]
  本研究では,大規模言語モデルのテスト時間計算において,証明可能なスケーリング法則を享受する2つのアルゴリズムを提案する。 1つは2段階ノックアウト方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。 もう1つは2段階のリーグ方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。
  論文  参考訳（メタデータ） (2024-11-29T05:29:47Z)
• The Sample Complexity of Simple Binary Hypothesis Testing [7.127829790714167]
  単純な二項仮説テストのサンプルの複雑さは、いずれの設定でも$p$と$q$の2つの分布を区別するのに必要となる最小のi.d.サンプルである。 i) all $0 le alpha, beta le 1/8$ in the pre-free set, and (ii) all $delta le pi/4$ in the Bayesian set。
  論文  参考訳（メタデータ） (2024-03-25T17:42:32Z)
• 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)
• Sharp Constants in Uniformity Testing via the Huber Statistic [16.384142529375435]
  一様性テスト(英: Uniformity testing)は、プロパティテストにおいて最もよく研究されている問題の1つである。 1-デルタ確率を持つ任意の$epsilon$-far分布と$m$要素上の均一分布を区別する最適なサンプル複雑性は$nであることが知られている。 衝突試験機は, 均一入力と非一様入力の分離の標準偏差数において, 急激な最大定数を達成することを示す。
  論文  参考訳（メタデータ） (2022-06-21T20:43:53Z)
• Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming [53.63469275932989]
  制約付き非線形最適化問題のオンライン統計的推測を考察する。 これらの問題を解決するために、逐次二次計画法(StoSQP)を適用する。
  論文  参考訳（メタデータ） (2022-05-27T00:34:03Z)
• Universal Regular Conditional Distributions via Probability Measure-Valued Deep Neural Models [3.8073142980733]
  提案したフレームワークを用いて構築されたモデルはすべて、$C(mathcalX,mathcalP_1(mathcalY))$で密集している。 提案モデルはまた、ほとんどのランダム化された機械学習モデルに存在するアレラトリック不確かさを汎用的に表現できることも示している。
  論文  参考訳（メタデータ） (2021-05-17T11:34:09Z)
• The Sample Complexity of Robust Covariance Testing [56.98280399449707]
  i. i. d. 形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。 汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。 サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
  論文  参考訳（メタデータ） (2020-12-31T18:24:41Z)
• Optimal Testing of Discrete Distributions with High Probability [49.19942805582874]
  高確率状態に着目して離散分布を試験する問題について検討する。 一定の要素でサンプル最適である近接性および独立性テストのための最初のアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-09-14T16:09:17Z)
• Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
  期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
  論文  参考訳（メタデータ） (2020-05-29T07:20:35Z)

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。