TL;DR
- چکیده:.
- ما مشکل تست استقلال شرطی (CI) را در نظر میگیریم و یک رویکرد مبتنی بر هسته را.
- اتخاذ میکنیم.
چه اتفاقی افتاد
چکیده:. ما مشکل تست استقلال شرطی (CI) را در نظر میگیریم و یک رویکرد مبتنی بر هسته را.
اتخاذ میکنیم. آزمایشهای CI مبتنی بر هسته،.
متغیرها را در بازتولید فضاهای هسته هیلبرت تعبیه میکنند،. تعبیههای آنها را روی متغیرهای شرطی رگرسیون میکنند،.
و باقیماندههای حاصل را برای استقلال حاشیهای آزمایش میکنند. این رویکرد تستهایی را ارائه میدهد که به طیف وسیعی از وابستگیهای شرطی حساس هستند.
با این حال،. روشهای موجود به شدت به رگرسیون پشته هسته تکیه میکنند،.
که وقتی به درستی تنظیم شود از نظر محاسباتی گران است و در صورت تنظیم نشدن،. آزمایشهای کالیبرهشده ضعیفی را ارائه میدهد،.
که سود عملی آنها را محدود میکند. ما اندازهگیری کوواریانس هسته تعمیمیافته (GKCM) را پیشنهاد میکنیم،.
یک آزمون CI مبتنی بر هسته مبتنی بر مدل رگرسیونی که کلاس وسیعی از برآوردگرهای رگرسیون را در. خود جای میدهد.
بر اساس چارچوب اندازهگیری کوواریانس هیلبرتین تعمیم یافته (لوندبورگ و همکاران،. 2022)،.
ما مشخص میکنیم شرایطی که تحت آن GKCM تضمینهای سطح مجانبی یکنواخت را برآورده میکند. در شبیهسازیها،.
GKCM همراه با مدلهای رگرسیون مبتنی بر درخت،. اغلب از آزمونهای پیشرفته CI در طیف متنوعی از فرآیندهای تولید داده بهتر عمل میکند و به کنترل.
خطای نوع I بهتر و قدرت رقابتی یا برتر دست مییابد. پذیرفته شده برای پنجمین کنفرانس یادگیری علی و استدلال (CLeaR 2026) یادگیری ماشین (stat.
ML)؛ یادگیری ماشین (cs. LG)؛ روش شناسی (stat.
ME) استناد بهعنوان: (یا v1 [stat. ML] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Luca Bergen [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 12:.
55:. 00 UTC (198 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.