論文の概要: Testing Conditional Distribution Equality Using Generative Models
- arxiv url: http://arxiv.org/abs/2610.20447v1
- Date: Wed, 14 Oct 2026 16:33:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.25283
- Title: Testing Conditional Distribution Equality Using Generative Models
- Title（参考訳）: 生成モデルを用いた条件分布平等の検証
- Abstract要約: 条件分布等価性テストは、因果推論、モデル診断、伝達学習におけるアプリケーションの中核的な問題である。
本研究では, 生成モデルを用いて, 観測データと合成サンプルを用いて条件分布を比較した。
- 参考スコア（独自算出の注目度）: 9.338723571137962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conditional distribution equality testing is a core problem with applications in causal inference, model diagnostics, and transfer learning. Existing methods often lose power when the conditioning variable is high-dimensional. We propose a new test that leverages generative models to compare conditional distributions using both observed data and synthetic samples. A sample-splitting and studentization scheme is introduced to control estimation error. Under the null, the test statistic is asymptotically normal, and we establish local power against contiguous alternatives. Our theory under the null and fixed alternative requires only consistency of the learned conditional distribution, allowing for a broad class of generative models. Empirical results demonstrate accurate size control and strong power in high-dimensional settings compared to representative kernel-based conditional and joint two-sample tests.
- Abstract（参考訳）: 条件分布等価性テストは、因果推論、モデル診断、伝達学習におけるアプリケーションの中核的な問題である。
既存の方法は、条件変数が高次元であるときにしばしば電力を失う。
本研究では, 生成モデルを用いて, 観測データと合成サンプルを用いて条件分布を比較した。
推定誤差を制御するために,サンプル分割と学生化方式を導入する。
ヌルの下では、テスト統計は漸近的に正規であり、連続的な代替に対して局所的な力を確立する。
nullおよび固定的な代替条件の下での我々の理論は、学習された条件分布の整合性しか必要とせず、より広範な生成モデルのクラスが可能である。
実測結果から, 実測値と実測値と実測値とを比較検討し, 実測値と実測値と実測値とを比較検討した。
関連論文リスト
- A Generative Conditional Distribution Equality Testing Framework and Its Minimax Analysis [6.66639633275864]
我々のフレームワークはニューラルネットワークに基づく生成手法とサンプル分割技術に基づいて構築されている。
生成的置換に基づく条件分布等式テストと生成的分類精度に基づく条件分布等式テストの2つの特別試験を導入する。
論文 参考訳（メタデータ） (2025-09-22T12:59:18Z) - Score-based Generative Modeling for Conditional Independence Testing [35.0533359302886]
本稿では,精度の高いタイプIエラー制御と強力なテスト能力を実現するための,スコアベース生成モデルによる新しいCIテスト手法を提案する。
スコアベース生成モデルによりモデル化された条件分布の誤差境界を理論的に確立し,CIテストの有効性を検証した。
論文 参考訳（メタデータ） (2025-05-29T10:10:46Z) - 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$の分布を学習する。
論文 参考訳（メタデータ） (2024-12-16T13:03:18Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。
経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。
本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
論文 参考訳（メタデータ） (2024-03-18T17:08:24Z) - Nonparametric Conditional Local Independence Testing [69.31200003384122]
条件付き局所独立は、連続的な時間プロセス間の独立関係である。
条件付き地域独立の非パラメトリックテストは行われていない。
二重機械学習に基づく非パラメトリックテストを提案する。
論文 参考訳（メタデータ） (2022-03-25T10:31:02Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$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。