論文の概要: Conditional Kernel Stein Discrepancy

• arxiv url: http://arxiv.org/abs/2610.11863v1
• Date: Thu, 08 Oct 2026 12:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.028373
• Title: Conditional Kernel Stein Discrepancy
• Title（参考訳）: Conditional Kernel Stein Disrepancy
• Abstract要約: カーネルの相違(KSD)は分布を比較する汎用的なツールである。 条件設定に無条件のKSDを持ち上げることができるフレームワークを提案する。 レベル、パワー、ランタイムに関する我々の実験は、これらのドメインでのテストの可能性を実証しています。
• 参考スコア（独自算出の注目度）: 3.294420397461204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel Stein discrepancies (KSDs) provide a versatile tool for comparing distributions. One of their main applications is in quantifying the goodness-of-fit (GoF) between a data-generating distribution and a prescribed target distribution. In this work, we study the related problem of conditional GoF quantification: given only a (possibly non-normalized) conditional target model, without information on the distribution of its covariates, and samples from a joint distribution, the goal is to assess how well the conditional distribution of the samples matches the target. To tackle this setting, we present a framework that allows lifting unconditional KSDs to the conditional setting through an operator-valued kernel on the covariate space, going beyond the known Euclidean case. We establish that our suggested statistic vanishes if and only if the conditional model and the true conditional distribution agree for almost all covariates and deploy it to test conditional GoF on smooth manifolds and on discrete spaces. Our experiments on level, power, and runtime demonstrate the viability of testing on these domains using the proposed statistic.
• Abstract（参考訳）: Kernel Steindisrepancies (KSD) は分布を比較する汎用的なツールである。 主な応用の1つは、データ生成分布と所定の目標分布との間の適合性(GoF)の定量化である。 本研究では, 条件付きGoF定量化の問題点について検討する: 条件付きGoF定量化モデルにおいて, 共変量分布に関する情報が得られず, 条件付きGoF定量化の精度を評価することを目的とする。 この設定に対処するため、共変量空間上の演算子値のカーネルを介して条件設定に無条件のKSDを持ち上げることができるフレームワークを、既知のユークリッドケースを超えて提示する。 我々は, 条件モデルと実条件分布がほぼすべての共変量に一致することと, 滑らかな多様体および離散空間上で条件付きGoFをテストするために展開した場合に限り, 提案された統計値が消滅することを証明した。 レベル、パワー、ランタイムに関する我々の実験は、提案した統計量を用いて、これらの領域でのテストが可能であることを示す。

関連論文リスト

• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Nearest-Neighbor Sampling Based Conditional Independence Testing [15.478671471695794]
  条件付きランダム化テスト (CRT) は、2つの確率変数 X と Y が条件付き独立な与えられた確率変数 Z であるかどうかをテストするために最近提案された。 本研究の目的は, 与えられたXの分布の正確な形式を仮定することなく, 隣り合うサンプリングを用いて, CRTの新たな代替品を開発することである。
  論文  参考訳（メタデータ） (2023-04-09T07:54:36Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Auto-Encoding Goodness of Fit [9.560668678348579]
  We developed a new type of generative autoencoder called the Goodness-of-Fit Autoencoder (GoFAE)。 ミニバッチレベルでは、正規化の目的としてGoFテスト統計を使用する。 よりグローバルなレベルでは、より高い批判に基づいて正規化係数を選択する。
  論文  参考訳（メタデータ） (2022-10-12T19:21:57Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Testing Goodness of Fit of Conditional Density Models with Kernels [16.003516725803774]
  条件分布に適合する2つの非パラメトリック統計テストを提案する。 私たちのテストは、任意の固定された代替条件モデルに対して一貫性があることを示します。 ニューヨーク市のタクシー降車場所の分布をモデル化する作業において,テストの解釈可能性を示す。
  論文  参考訳（メタデータ） (2020-02-24T14:04:37Z)

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。