Testing for equality between conditional copulas given discretized conditioning events
最近已经提出了几个程序来测试条件Copula的简化假设。而不是考虑逐点条件事件，我们研究的条件依赖结构的恒定性时，一些协变量属于一般Borelian条件子集。引入了几种基于条件Kendall τ相等的检验统计量，并给出了它们在零点下的渐近分布。当这样的条件事件是不固定的事前，我们提出了一个数据驱动的过程，递归地建立这样的相关子集。它是基于决策树，最大化的条件肯德尔的taus对应的树叶之间的差异。这种测试的性能在模拟实验中示出。此外，金融股票收益率之间的条件依赖关系的研究管理，给出了一些聚类的过去值。最后一个应用程序处理保险数据集中保险金额之间的条件依赖性。
2020-08-21 math.ST stat.ME stat.ML
Conditional independence testing: a predictive perspective
Federal University of São Carlos（圣卡洛斯联邦大学）；University of São Paulo（圣保罗大学）
条件独立性测试是许多机器学习和统计工具需要解决的关键问题。特别是，它是评估监督预测问题上某些特征的有用性的一种方法。我们提出了一种新的条件独立性测试的预测设置，并表明它实现了更好的功率比竞争的方法在几个设置。我们的方法包括使用置换测试来导出p值，其中使用未置换数据集的预测能力与使用感兴趣的特征被置换的数据集的预测能力进行比较。我们的结论是，该方法在模拟和真实数据集上取得了合理的结果。
2019-07-31 cs.LG stat.ML
From Conditional to Unconditional Independence: Testing Conditional Independence via Transport Maps
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能学院）；Department of Applied Mathematics, The Hong Kong Polytechnic University（香港理工大学应用数学系）
本文提出利用两个由条件连续归一化流估计的传输映射，将条件独立性检验转化为无条件独立性检验，并给出渐近有效的统计量与置换显著性评估，实验验证了其有效性。
2025-07-25 cs.LG stat.ME stat.ML
On the power of conditional independence testing under model-X
为了测试条件独立性（CI）的响应Y和预测因子X给定协变量Z，最近推出的模型X（MX）框架一直是积极的方法研究的主题，特别是在MX仿制品及其成功应用于全基因组关联研究的背景下。在本文中，我们研究了MX CI测试的力量，对机器学习的作用产生了定量的见解，并为在实践中使用基于可能性的统计提供了证据。本文研究了条件随机化检验（CRT），发现它的条件推理模式允许我们将其重新表述为检验一个涉及X的条件分布的点原假设。奈曼-皮尔逊引理则意味着基于似然性的统计量产生最强大的CRT对一个点的替代。我们也得到了相关的最优性结果的MX仿制品。切换到一个渐近框架与任意增长的协变量维数，我们推导出一个表达式的CRT对本地半参数的替代品的预测误差的机器学习算法的预测误差的检验统计量是基于的限制权力。最后，我们展示了一个重采样免费测试与统一的渐近I型差错控制的假设下，只有前两个时刻的X给定Z是已知的，一个显着放松的MX假设。
2022-10-29 math.ST stat.ME stat.ML
Conditional independence testing under misspecified inductive biases
University of Michigan（密歇根大学）
本文研究基于回归的条件独立性检验在模型归纳偏置错误设定下的表现，提出依赖错误设定误差的检验误差上界，并设计鲁棒的RBPT方法，通过实验验证其有效性。
2023-10-27 cs.LG math.ST stat.ME
Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing
Department of Statistics, University of Washington, Seattle, USA（华盛顿大学统计系，美国西雅图）；Departments of Health Care Policy and Statistics, Harvard University, USA（哈佛大学健康政策与统计系，美国）
本文提出捕捉条件分布治疗效应的新估计量，开发了局部渐近最优的双重鲁棒估计器，并设计了检验条件潜在结果分布全局同质性的测试方法，具有严格的一阶误差控制和一致性。
2026-09-23 cs.LG math.ST stat.ME
Testing Conditional Mean Independence Using Generative Neural Networks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）；Washington University in St Louis（圣路易斯华盛顿大学）
本文提出一种基于深度生成式神经网络和自举法的条件均值独立性（CMI）检验方法，通过精心构造检验统计量克服非参数估计误差影响，在高维及多元响应场景中表现出色且保持非平凡势。
2025-01-28 cs.LG stat.ML
Sequential Kernel-based Conditional Independence Testing via Adaptive Betting
Department of Computer Science, University of British Columbia, Vancouver, Canada（不列颠哥伦比亚大学计算机科学系，温哥华，加拿大）；Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔机器智能研究所，爱德蒙顿，加拿大）
提出一种对估计误差更鲁棒的序列条件独立性检验方法，通过自适应优化核条件独立性统计量、归一化及截断平移校准，在合成与真实数据上控制第一类错误并保持高功效。
2026-08-06 cs.LG stat.ME stat.ML
Model-X Sequential Testing for Conditional Independence via Testing by Betting
提出了一种无模型条件独立序贯检验方法。这项被提议的测试允许研究人员分析一个输入的i.i.d.。数据流与任何任意依赖结构，并安全地得出结论，是否有条件的功能与研究中的响应相关联。我们允许在数据点到达后立即在线处理数据点，并在检测到重要结果后停止数据采集，严格控制第一类错误率。我们的测试可以与任何复杂的机器学习算法一起工作，以尽可能提高数据效率。所开发的方法的灵感来自两个统计框架。第一种是X模型条件随机化检验，这是一种条件独立性检验，在样本量预先固定的离线设置中有效。第二种是通过打赌进行测试，这是一种用于连续假设检验的“博弈论”方法。我们进行合成实验，以证明我们的测试的优势，开箱即用的顺序测试，占在时间范围内的测试的多样性，并证明我们的建议的实用性，将其应用到现实世界的任务。
2023-02-19 stat.ME stat.ML
The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
Carnegie Mellon University（卡内基梅隆大学）；Queen Mary University of London（伦敦大学玛丽女王学院）
本文提出首个适用于非平稳非线性过程单次实现的条件独立性检验框架，通过时变非线性回归等技术解决线性模型难以捕捉非线性动态的问题，为相关领域的随机过程关系识别提供了新工具。
2026-10-22 math.ST stat.ME stat.ML
Sequential Conditional Independence Testing with Machine Learning Models
Université de Toulouse（图卢兹大学）；Inria Paris-Saclay（巴黎萨克雷国家信息与自动化研究所）；CWI（荷兰数学与计算机科学研究学会）；Leiden University（莱顿大学）
该研究针对条件独立性检验问题，解释了直接检验可交换性的e-变量实践功效更高的现象，探索中间零假设以减少误差，并提供适应三重鲁棒性的估计误差界，实现快速收敛。
2026-10-09 math.ST stat.ML stat.TH
Conditional Independence Testing via Latent Representation Learning
Applied Artificial Intelligence Institute（应用人工智能研究院）；Deakin University（迪肯大学）
检测条件独立性在一些统计和机器学习任务中起着关键作用，特别是在因果发现算法中。在这项研究中，我们介绍了LCIT（基于潜在表征的条件独立性测试）-一种新的非参数的条件独立性测试方法的基础上表示学习。我们的主要贡献包括提出了一个生成框架，在该框架中，为了测试给定Z的X和Y之间的独立性，我们首先学习推断目标变量X和Y的不包含条件变量Z信息的潜在表示。潜变量，然后调查任何显着的剩余的依赖关系，这可以使用传统的偏相关性测试进行。实证评估表明，LCIT在不同的评估指标下始终优于几个最先进的基线，并且能够很好地适应各种合成和真实数据集的非线性和高维设置。
2022-09-04 cs.LG stat.ML
Conditional Independence Testing using Generative Adversarial Networks
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
我们考虑检测条件依赖的假设检验问题，重点是高维特征空间。我们的贡献是一个新的检验统计量，基于生成对抗网络的样本，旨在直接近似编码原假设的条件分布，以最大化功率（真阴性率）的方式。我们表明，这样的方法只需要密度近似是可行的，以确保我们控制第一类错误（误报率），特别是，没有假设需要作出的形式的分布或功能依赖。使用合成模拟与高维数据，我们证明了显着的收益，在竞争的方法的权力。此外，我们还说明了使用我们的测试来发现遗传数据中疾病的因果标记。
2019-12-18 cs.LG stat.ML
Amortized Conditional Independence Testing
Applied Artificial Intelligence Institute (A2I2), Deakin University（应用人工智能研究所（A2I2），迪肯大学）
提出基于Transformer的ACID网络，通过监督学习在合成数据上训练以摊销条件独立性检验，在合成与真实数据上均达到最先进性能，且推理时间极低。
2025-02-28 cs.LG stat.ML
Conditional independence testing via weighted partial copulas and nearest neighbors
本文介绍了测试条件独立性的\textit{weighted partial copula}函数。建议的测试程序结果从这两个成分：（i）测试统计量是一个显式的克莱默-冯米塞斯变换的\textit{weighted partial copula}，（ii）拒绝的区域计算使用自举程序，它模仿条件独立性的估计条件边际的产品措施产生的样本。在条件独立性下，证明了当边缘估计采用光滑局部线性估计时，\textit{weighted partial copula proces}的弱收敛性.最后，一个实验部分表明，所提出的测试具有竞争力相比，最近的国家的最先进的方法，如基于内核的测试。
2021-02-12 stat.ME stat.ML
Conditional Testing based on Localized Conformal p-values
本文基于conformal inference框架定义了局部化conformal p值，并将其应用于条件异常点检测、条件标签筛选和两样本条件分布检验等问题，在控制FDR和FWER的同时验证了其优越性能。
2024-09-25 stat.ME stat.ML
A Simple Unified Approach to Testing High-Dimensional Conditional Independences for Categorical and Ordinal Data
Radboud University（拉德堡德大学）
本文提出一种简单统一的高维条件独立性检验方法，适用于分类和有序数据，在稠密图模型检验与结构学习中优于现有基线，并兼具易实现、对称性和合理计算成本等优点。
2022-12-22 cs.LG stat.ML
Tight Bounds for Equivalence Testing with Non-Adaptive Conditional Samples
New York University（纽约大学）
针对非自适应条件样本下的分布等价性测试问题，给出了该问题所需查询次数的紧界，证明其复杂度为tildeθ(log n)，明确了该场景下等价性测试的查询复杂度。
2026-10-09 cs.DS cs.IT math.IT
Conditional Diffusion Models Based Conditional Independence Testing
East China Normal University（华东师范大学）；New York University（纽约大学）；Boston University（波士顿大学）
本文提出使用条件扩散模型（CDMs）学习未知条件分布以改进条件随机化检验（CRT），并结合基于分类器的条件互信息估计器作为检验统计量，有效控制了第一类和第二类错误，尤其适用于高维及混合类型数据。
2024-12-18 cs.LG stat.ML
Testing for Conditional Mean Independence with Covariates through Martingale Difference Divergence
在统计学中，一个重要的问题是决定回归模型中是否需要附加变量。我们提出了一个新的多元检验来研究给定X条件下Y对某些已知效应Z的条件均值独立性，即，E（Y| X，Z）= E（Y| Z）。假设E（Y| Z）和Z是线性相关的，我们通过变换重新表达了一个等价的条件均值独立性的概念，它在实践中是近似的。我们应用鞅差散度（Shao and Zhang，2014）来度量条件均值依赖性，并证明近似的估计误差可以忽略不计，因为它在某些正则性假设下对检验统计量的渐近分布没有影响。我们的测试的实施是由模拟和金融数据的例子证明。
2018-05-17 math.ST stat.AP stat.CO
Testing Conditional Independence on Discrete Data using Stochastic Complexity
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland University（萨尔兰大学）；CISPA Helmholtz Center for Information Security（亥姆霍兹信息安全研究中心CISPA）
条件独立性测试是基于约束的因果发现的核心内容。虽然常用的测试在理论上是完美的，但它们在实践中往往无法拒绝独立性，特别是当以多个变量为条件时。我们专注于离散数据，并提出了一个新的测试算法的独立性，我们使用随机复杂性的概念的基础上。其中，我们表明，我们提出的测试，SCI，是一个渐近无偏以及$L_2$相合估计量的条件互信息（CMI）。此外，我们表明，SCI可以重新制定，以找到一个合理的阈值CMI，以及有限的样本。实证评估表明，SCI具有较低的第二类错误比常用的测试。因此，当我们在因果发现算法中使用SCI时，我们获得了更高的召回率，而不会影响精度。
2019-03-12 cs.LG stat.ML
Distance Profile Embedding for Independence and Conditional Independence Testing of Random Objects
The Pennsylvania State University（宾夕法尼亚州立大学）
该研究提出距离剖面嵌入（DPE）方法，构建适配非欧几里得随机对象的独立性与条件独立性检验统一框架，可处理对象值条件变量，避免置换检验高计算负担，经模拟与真实数据验证有效。
2026-08-03 econ.EM math.ST stat.AP
Nonparametric Conditional Local Independence Testing
本文提出无模型的条件局部独立性检验框架，引入局部协方差测度（LCM），结合双重机器学习与交叉拟合构造(X)-LCT检验，在非参数估计量适度一致速率下可统一控制检验水平和功效。
2023-02-24 math.ST stat.ML stat.TH
Domain-Adapted Diffusion Models for Conditional Independence Testing
East China Normal University（华东师范大学）；Riken AIP（理化学研究所人工智能研究中心）；The Graduate University for Advanced Studies, SOKENDAI（综合研究大学院大学）；The Institute of Statistical Mathematics（统计数学研究所）；Hunan Normal University（湖南师范大学）；The University of Tokyo（东京大学）；Hasso Plattner Institute（哈索·普拉特纳研究所）
本文提出域自适应扩散框架（DA-Diff）及检验方法（DA-CIT），通过多源域迁移学习改进条件生成估计，实现条件独立性检验的渐近第一类错误控制，实验验证了生成质量与检验性能的提升。
2026-09-29 cs.LG stat.ML
Testing Conditional Distribution Equality Using Generative Models
University of Maryland, College Park（马里兰大学帕克分校）；Washington University in St Louis（华盛顿大学圣路易斯分校）
针对高维条件变量下条件分布相等性检验功效不足的问题，提出结合观测与合成样本的生成模型检验方法，经实证验证其在高维场景中尺寸控制准确、检验功效较强。
2026-10-15 stat.ME stat.ML
Mimic and Classify : A meta-algorithm for Conditional Independence Testing
University of Texas at Austin（德克萨斯大学奥斯汀分校）；IBM Research（IBM研究院）；University of Washington（华盛顿大学）
给定由联合分布$p(\mathbf{x},\mathbf{y},\mathbf{z})$生成的独立样本，我们研究条件独立性（CI-检验）问题，即，联合是否等于CI分布$p^{CI}(\mathbf{x},\mathbf{y},\mathbf{z})= p(\mathbf{z}) p(\mathbf{y}|\mathbf{z})p(\mathbf{x}|\mathbf{z})$。我们将这个问题置于所提出的可证明元算法“模仿和分类”的范围内，该算法分两步实现：（a）模仿CI分布以恢复支持度，以及（b）分类以区分联合和CI分布。因此，只要我们有一个好的生成模型和一个好的分类器，我们就可能有一个好的CI测试器。通过这种模块化范式，CI测试变得易于由最先进的生成和分类方法来处理，这些方法来自深度学习的现代进步，通常可以处理与小样本制度中的维数灾难和操作相关的问题。我们在合成和真实数据集上进行了密集的数值实验，其中新的模拟方法，如条件GANs，神经网络回归，优于文献中当前最好的CI测试性能。我们的理论结果提供了对零分布估计的分析，并允许一般的措施，即，当某些随机变量是离散的而某些是连续的，或者当它们中的一个或多个是离散-连续的混合时。
2018-06-25 cs.LG stat.ML
Testing for the Markov Property in Time Series via Deep Conditional Generative Learning
University of California at Berkeley（加州大学伯克利分校）；London School of Economics and Political Science（伦敦政治经济学院）
本文提出一种基于深度条件生成学习的非参数检验方法，用于检验高维时间序列的马尔可夫性质并推断模型阶数，通过双重稳健统计量和交叉拟合实现参数收敛速度，模拟与实证验证了其有效性。
2023-05-30 cs.LG stat.ML
Kernel-based Conditional Independence Test and Application in Causal Discovery
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
条件独立性检验是贝叶斯网络学习和因果发现中的一个重要问题。由于维数灾难，连续变量的条件独立性测试特别具有挑战性。本文提出了一种基于核的条件独立性检验（KCI-test），通过构造一个适当的检验统计量，并在条件独立性的零假设下推导出其渐近分布。所提出的方法是计算效率高，易于实现。实验结果表明，该方法优于其他方法，特别是当条件集很大或样本量不是很大时，在这种情况下，其他方法遇到困难。
2012-02-14 cs.LG stat.ML
Meta-Dependence in Conditional Independence Testing
Thayer School of Engineering Dartmouth College（达特茅斯学院工程学院）；Schmidt Center Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所Schmidt中心）；Laboratory for Information and Decision Systems Massachusetts Institute of Technology（信息与决策系统实验室麻省理工学院）；Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）
研究条件独立测试中的元依赖性，利用几何直觉，通过矩投影给出易于计算的度量，该度量不依赖分布图形属性，可直接从汇总统计量计算，还展示其在调整显著性阈值和改进因果发现方面的应用。
2026-07-14 cs.IT cs.LG math.IT
Conditional independence testing based on a nearest-neighbor estimator of conditional mutual information
条件独立性检验是因果发现的基础问题，在非线性和高维依赖的情况下是一项特别具有挑战性的任务。本文提出了一种基于条件互信息和局部置换方案的连续数据全非参数检验方法。通过最近邻方法，测试也有效地适应非光滑分布，由于强非线性依赖。数值实验表明，即使对于小样本量和高维条件集，该测试也能可靠地模拟零分布。该测试比基于核的测试更好地校准，利用零分布的分析近似，特别是对于非光滑密度，并达到相同或更高的功率水平。将局部置换方案与核测试相结合导致更好的校准，但在功率方面受到影响。对于较小的样本量和较低的维度，如果排列方案是（并行地）并行化的，则测试比基于随机傅立叶特征的核测试更快，但是运行时间随着样本量和维度而更急剧地增加。因此，需要更多的理论研究来解析地近似零分布，并加快对更大样本量的估计。
2017-09-05 cs.IT math.IT stat.ME
Fast Nonparametric Conditional Independence Testing via Two-Stage Regression
Department of Biomedical Informatics, University of Pittsburgh（生物医学信息学系，匹兹堡大学）
提出BLITZ方法，通过两阶段回归（低阶多项式+浅层树）快速消除条件集影响，实现校准良好的非参数条件独立性检验，适用于因果发现。
2026-06-23 cs.LG stat.ME stat.ML
Doubly Robust Conditional Independence Testing with Generative Neural Networks
本文提出一种基于生成神经网络（GNN）采样的非参数条件独立性检验方法，其检验统计量对GNN近似误差具有双重稳健性，有效缓解了维度灾难并保留了oracle检验的理想性质。
2024-07-25 stat.ME stat.ML
Double Generative Adversarial Networks for Conditional Independence Testing
London School of Economics and Political Science（伦敦政治经济学院）；University of California at Berkeley（加州大学伯克利分校）
在这篇文章中，我们研究了高维条件独立性测试问题，这是统计学和机器学习中的一个关键构建块。我们提出了一种基于双生成对抗网络（GANs）的推理过程。具体来说，我们首先引入一个双GANs框架来学习条件分布的两个生成器。然后，我们整合这两个生成器，以构建一个检验统计量，它的形式的广义协方差测量的多个转换函数的最大值。我们还采用数据分裂和交叉拟合，以最大限度地减少条件的发电机，以实现所需的渐近性质，并采用乘数自助获得相应的$p$值。我们证明了构造的检验统计量是双重稳健的，得到的检验既能控制第一类错误，又能渐近地逼近1。同样值得注意的是，与现有的测试相比，我们在更弱和更可行的条件下建立了这些理论保证，我们的提案提供了一个具体的例子，说明如何利用一些最先进的深度学习工具，如GANs，来帮助解决经典但具有挑战性的统计问题。我们通过模拟和抗癌药物数据集的应用证明了我们的测试的有效性。建议过程的Python实现可在https://github.com/tianlinxu312/dgcit上获得。
2021-11-04 cs.LG stat.ML
Toward Scalable and Valid Conditional Independence Testing with Spectral Representations
University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出了一种基于谱表示的学习方法，用于解决传统条件独立性检验在适应性和可扩展性方面的不足，通过构造简单的检验统计量和双层对比算法，建立了表示学习误差与检验性能之间的理论联系，并在实际和合成数据上验证了其有效性。
2026-06-03 cs.LG stat.ML
Testing Conditional Independence in Supervised Learning Algorithms
Department of Statistical Science University College London（伦敦大学学院统计科学系）；Leibniz Institute for Prevention Research and Epidemiology – BIPS & Faculty of Mathematics and Computer Science University of Bremen（不来梅大学莱布尼茨预防研究与流行病学研究所- BIPS及数学与计算机科学学院）
我们提出了条件预测影响（CPI），一个一致的和无偏估计量的一个或多个功能和一个给定的结果之间的关联，条件减少功能集。基于Candès等人的山寨框架。（2018），我们开发了一种新的测试程序，可与任何有效的山寨采样器，监督学习算法和损失函数结合使用。CPI可以有效地计算高维数据，没有任何稀疏性约束。我们证明了收敛标准的CPI和开发统计推断程序，以评估其幅度，意义和精度。这些测试有助于特征和模型选择，将传统的频率论和贝叶斯技术扩展到一般的监督学习任务。CPI还可以应用于因果发现中以识别潜在的多变量图结构。我们使用各种算法测试我们的方法，包括线性回归，神经网络，随机森林和支持向量机。实证结果表明，消费物价指数相比，有利的替代变量的重要性措施和其他非参数检验的条件独立的各种阵列的真实和模拟数据集。仿真结果表明，我们的推理过程成功地控制第一类错误，并实现名义覆盖概率。我们的方法已经在R包cpi中实现，可以从https://github.com/dswatson/cpi下载。
2021-05-13 cs.LG stat.ME stat.ML
Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
针对异方差数据，提出改进的偏相关条件独立性检验，结合专家知识，在因果发现中优于标准检验且保持理论一致性。
2023-06-20 stat.ME stat.ML
On the Hardness of Conditional Independence Testing In Practice
UBC（不列颠哥伦比亚大学）；McGill and Mila（麦吉尔大学和Mila）；Microsoft AI（微软人工智能）；CMU（卡内基梅隆大学）；Gatsby Unit, UCL（UCL加太西单位）；UBC and Amii（不列颠哥伦比亚大学和Amii）
研究分析了KCI测试中条件核选择对测试性能的影响，揭示了误差和核选择对I型错误率的关键作用。
2025-12-16 cs.LG stat.ME stat.ML
Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
Purdue University（普渡大学）；Columbia University（哥伦比亚大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对含隐变量因果模型测试中条件独立性（CIs）列举耗时呈指数级的问题，本文提出c-分量局部马尔可夫性质（C-LMP），并开发了首个能在含隐变量因果图中以多项式延迟列举CIs的算法，实验验证了其实用性。
2025-06-26 cs.AI cs.LG stat.ME
DIET: Conditional independence testing with marginal dependence measures of residual information
New York University（纽约大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
本文提出DIET算法，通过检验条件CDF变换后的信息残差的边际独立性来进行条件独立性检验，避免数据划分和交互启发式带来的功效损失，并在理论和实验上证明其具有更高的检验功效。
2023-04-11 cs.LG stat.ME stat.ML
Hypothesis Testing for Class-Conditional Noise Using Local Maximum Likelihood
University of Bristol（布里斯托大学）；GSK（葛兰素史克）
针对现有类别条件标签噪声假设检验依赖过强参数假设、易出现模型误设的问题，提出基于局部最大似然估计的非参数逻辑回归检验方法，拓展了检验适用范围，并通过实验验证了其优劣。
2023-12-15 cs.LG stat.ML
Model-Augmented Estimation of Conditional Mutual Information for Feature Selection
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
马尔可夫毯特征选择虽然在理论上是最优的，但通常难以实现。这是由于现有的条件独立性（CI）测试方法的缺点，往往斗争的维数灾难或计算复杂性。我们提出了一种新的两步方法，有利于马尔可夫毯特征选择在高维。首先，使用神经网络将特征映射到低维表示。在第二步中，通过将$k$条件互信息估计器应用于学习的特征图来执行CI测试。映射的目的是确保映射的样本都保存信息和共享类似的信息，当且仅当它们是接近的欧几里得距离的目标变量。我们表明，这些属性提高性能的$k$ -NN估计在第二步。所提出的方法的性能进行评估合成和真实数据。
2020-06-19 cs.LG stat.ML
Kernel conditional tests from learning-theoretic bounds
Institute for Data Science in Mechanical Engineering, RWTH Aachen University（机械工程数据科学研究所，亚琛工业大学）；Department of Mathematics, School of Computation, Information and Technology, Technical University of Munich（数学系，计算、信息与技术学院，慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
提出基于学习理论置信界限的条件分布假设检验框架，通过核岭回归与核均值嵌入构建条件测试，推广了置信界限并引入自举方案实现算法应用。
2025-10-31 cs.LG stat.ML
Embedding-Bias in Conditional Independence Testing
University of Copenhagen（哥本哈根大学）
本文研究条件独立性检验中用嵌入替代原始变量导致的偏差问题，提出基于残差相关检验的稳健方法，在合成数据、文本嵌入及语言模型生成文本上验证了该方法的有效性。
2026-10-09 cs.LG stat.ML
A Fast Kernel-based Conditional Independence test with Application to Causal Discovery
University of Hamburg（汉堡大学）
本文提出FastKCI，一种基于核的快速条件独立性检验方法，通过并行化和专家混合策略提升计算效率，适用于大规模因果发现任务。
2025-12-04 cs.AI cs.LG stat.ML
Model-Powered Conditional Independence Test
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Google, New York（谷歌纽约）；IBM Research, Thomas J. Watson Center（IBM研究院托马斯·J·沃森中心）
研究了连续随机变量的非参数条件独立性检验问题。给定来自连续随机向量$X,Y$和$Z,$的联合分布$f(x,y,z)$的i.i.d样本，我们确定是否$X \perp Y | Z$。我们通过将条件独立性测试转换为分类问题来实现这一点。这使我们能够利用非常强大的分类器，如梯度提升树和深度神经网络。这些模型可以处理复杂的概率分布，并允许我们执行显着更好的相比，现有技术的状态，为高维CI测试。分类问题中的主要技术挑战是需要来自条件产品分布$f^{CI}(x,y,z) = f(x|z)f(y|z)f(z)$的样本--联合分布当且仅当$X \perp Y | Z.$ --当只允许访问i.i.d.来自真实联合分布$f(x,y,z)$的样本。为了解决这个问题，我们提出了一种新的最近邻引导程序，并从理论上表明，我们生成的样本确实接近$f^{CI}$的总变差距离。然后，我们开发的理论结果，关于我们的问题，转化为CI测试的误差界的分类的泛化界。我们提供了一种新的分析Rademacher型分类界的存在下，非独立的近独立样本。我们经验验证我们的算法在模拟和真实数据集上的性能，并显示出比以前的方法的性能增益。
2017-09-18 cs.AI cs.IT cs.LG
Multi-Group Fairness Evaluation via Conditional Value-at-Risk Testing
School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）；Google Research（谷歌研究院）；OpenAI
针对多敏感属性分组下ML模型性能差异评估的样本复杂度指数增长问题，提出基于CVaR的检验方法，将复杂度降至组数平方根，并揭示Rényi熵与数据策略的影响。
2024-05-25 cs.CY cs.IT cs.LG
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；ifo Institute（伊弗经济研究所）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
提出检验随机分配治疗是否完全通过中介变量影响结果，以及不同中介的因果机制是否可识别，并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
