論文の概要: Sequential Conditional Independence Testing with Machine Learning Models

• arxiv url: http://arxiv.org/abs/2610.11388v1
• Date: Thu, 08 Oct 2026 07:18:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.85801
• Title: Sequential Conditional Independence Testing with Machine Learning Models
• Title（参考訳）: 機械学習モデルを用いた逐次条件独立テスト
• Abstract要約: 条件付き独立試験は科学的発見においてユビキタスな問題である。 誤差をヌル拡大,近似,推定誤差に分解することで,この現象を説明する。 高速収束率を達成し、3重結果に対応する推定誤差境界を提供する。
• 参考スコア（独自算出の注目度）: 1.3066182802188202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional independence testing is a ubiquitous problem in scientific discovery. The widely employed model-X assumption shifts the modelling burden from the dependence of the output on the inputs to the dependencies within the inputs. Log-optimal e-variables have been studied in this setting, but it remains unclear how to incorporate machine learning models into their design. Other approaches test exchangeability directly, yielding an e-variable with lower power in theory but, surprisingly, higher power in practice. We explain this phenomenon by decomposing the error into null enlargement, approximation, and estimation error. The decomposition shows that GRO e-variable estimates can be beaten because of their worse approximation and estimation errors, and we explore intermediate null hypotheses between model-X conditional independence and exchangeability to reduce these errors. Moreover, the model-X assumption often only holds up to an estimation error, invalidating exact type-I error guarantees. We provide estimation error bounds that accommodate triple robustness results, achieving fast convergence rates.
• Abstract（参考訳）: 条件付き独立試験は科学的発見においてユビキタスな問題である。 広く用いられるモデルXの仮定は、入力への出力の依存から入力内の依存関係へと、モデリングの負担をシフトさせる。 ログ最適化e-変数はこの環境で研究されているが、どのように機械学習モデルを設計に組み込むかは定かではない。 他の方法では、テスト交換性に直接アプローチし、理論上は低消費電力のe変数が得られるが、実際は驚くほど高いパワーが得られる。 誤差をヌル拡大,近似,推定誤差に分解することで,この現象を説明する。 この分解により, GRO e-variable estimates は, 近似誤差や推定誤差の悪さにより打ち負かされ, モデル-X条件独立性と交換可能性の間の中間的ヌル仮説を探索し, これらの誤差を低減できることを示した。 さらに、モデル-Xの仮定は、しばしば推定エラーのみを保ち、正確な型Iエラーの保証を無効にする。 高速収束率を達成し、三重ロバスト性に適合する推定誤差境界を提供する。

関連論文リスト

• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Multivariate Probabilistic Time Series Forecasting with Correlated Errors [17.212396544233307]
  本稿では,自動回帰モデルのための複数ステップでエラーの共分散構造を学習するプラグイン・アンド・プレイ手法を提案する。 RNNとTransformerアーキテクチャ上に構築された確率モデルについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-02-01T20:27:19Z)
• On Error Propagation of Diffusion Models [77.91480554418048]
  DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。 累積誤差を正規化項として適用して誤差伝搬を低減する。 提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-09T15:31:17Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。