論文の概要: Two-Sample Testing via Generative Processes

• arxiv url: http://arxiv.org/abs/2610.08277v1
• Date: Tue, 06 Oct 2026 12:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.986989
• Title: Two-Sample Testing via Generative Processes
• Title（参考訳）: 生成プロセスによる2サンプルテスト
• Abstract要約: 生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。 2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
• 参考スコア（独自算出の注目度）: 60.42943145582429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deciding whether two samples come from the same distribution is a classical problem in statistics, and generative transport offers a new way to approach it. We build a stochastic interpolant directly between the two samples and observe that, for a symmetric schedule, its law is invariant under the time reflection $t \mapsto 1-t$ whenever the two distributions coincide. We therefore test whether the marginals at times t and 1-t agree by computing their Jensen--Shannon divergence. Both marginals are explicit mixtures over all cross-pairs of observations, so nothing is learned, and permutation calibration gives an exact finite-sample level. For Gaussian noise, this divergence equals a time integral that pairs the reflection defects of the velocity field and of the score, so the test compares transport dynamics rather than endpoints alone. With a narrow-plus-broad noise design, the test attains the minimax separation rate n^{-2s/(4s+d)} over bounded, compactly supported densities whose difference has Sobolev smoothness s > 3d/4, with no lower bound on the densities. Fusing a dyadic grid of noise scales through their permutation ranks, without sample splitting, preserves exact level and adapts to unknown s at an iterated-logarithmic cost. Empirically, the test matches or outperforms state-of-the-art kernel two-sample tests.
• Abstract（参考訳）: 2つのサンプルが同じ分布から来るかどうかを決定することは統計学における古典的な問題であり、生成輸送はそれに対応する新しい方法を提供する。 我々は、2つのサンプル間で直接確率補間体を構築し、対称スケジュールでは、2つの分布が一致するたびにその法則が時間反射$t \mapsto 1-t$の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。 両方の境界線は、すべての対の観測で明らかな混合であるため、何も学ばず、置換キャリブレーションによって正確な有限サンプルレベルが得られる。 ガウスノイズの場合、この発散は速度場とスコアの反射欠陥をペアリングする時間積分と等しいので、テストは終点のみではなく輸送力学を比較する。 狭帯域のノイズ設計により、ソボレフ滑らか度 s > 3d/4 の差が有する有界コンパクト支持密度上のミニマックス分離率 n^{-2s/(4s+d)} を達成する。 ノイズのdyadicグリッドを、サンプル分割なしで順列にスケールし、正確なレベルを保ち、反復対数コストで未知のsに適応する。 実証的には、テストは最先端のカーネルの2サンプルテストと一致または性能を向上する。

関連論文リスト

• Two-Sample Testing via Path-based Inference [54.590623065123076]
  2サンプルテストは、同じ分布が2つの有限データセットを生成するかどうかを決定する問題である。 補間子を用いて、両分布を共有ガウスボトルネックに接続する。 ゼロ仮説は、集団が、または同等に、2つのハーフの速度場が、任意のノイズレベルに一致する場合にのみ成立することを示す。
  論文  参考訳（メタデータ） (2026-10-05T01:56:28Z)
• Dual-space posterior sampling for Bayesian inference in constrained inverse problems [5.739708455652395]
  偏微分方程式によって制約される逆問題はしばしば、ノイズや不完全データ、あるいは固有の非特異性によって不等式化される。 本研究では,波動方程式などの厳密な物理的制約を,既存のサンプリング手法に適合する事前分布に翻訳する手法を開発した。
  論文  参考訳（メタデータ） (2026-02-28T00:34:31Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• A Kernel-Based Conditional Two-Sample Test Using Nearest Neighbors (with Applications to Calibration, Regression Curves, and Simulation-Based Inference) [3.622435665395788]
  本稿では,2つの条件分布の違いを検出するカーネルベースの尺度を提案する。 2つの条件分布が同じである場合、推定はガウス極限を持ち、その分散はデータから容易に推定できる単純な形式を持つ。 また、条件付き適合性問題に適用可能な推定値を用いた再サンプリングベースのテストも提供する。
  論文  参考訳（メタデータ） (2024-07-23T15:04:38Z)
• Bootstrapped Edge Count Tests for Nonparametric Two-Sample Inference Under Heterogeneity [5.8010446129208155]
  両試料間の差異を正確に検出する新しい非パラメトリック試験法を開発した。 オンラインゲームにおけるユーザ行動検出のための総合シミュレーション研究と応用により,提案試験の非漸近性能が向上したことを示す。
  論文  参考訳（メタデータ） (2023-04-26T22:25:44Z)
• 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)
• Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond [63.59034509960994]
  シャッフルに基づく変種(ミニバッチと局所ランダムリシャッフル)について検討する。 ポリアック・ロジャシエヴィチ条件を満たす滑らかな函数に対して、これらのシャッフル型不変量(英語版)(shuffling-based variants)がそれらの置換式よりも早く収束することを示す収束境界を得る。 我々は, 同期シャッフル法と呼ばれるアルゴリズムの修正を提案し, ほぼ均一な条件下では, 下界よりも収束速度が速くなった。
  論文  参考訳（メタデータ） (2021-10-20T02:25:25Z)
• Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
  非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
  論文  参考訳（メタデータ） (2020-06-04T17:51:00Z)

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。