Kernel-Based Tests for Joint Independence
基于核的联合独立性检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将非参数联合独立性检验应用于因果发现，因此与因果推断方向直接相关。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于核的联合独立性检验
- 研究问题
- 如何检验任意多个、可能为多元且不一定连续的随机变量是否联合独立，并将这一检验用于因果发现问题？
- 方法与思路
- 作者将联合分布及边际分布乘积嵌入再生核希尔伯特空间，以嵌入距离定义dHSIC，并研究三类非参数检验。
- 材料陈述的贡献
- 摘要称，使用特征核时总体dHSIC为零等价于联合独立；文章研究置换、自助法和伽马近似检验并展示应用。
- 阅读关注点
- 核对特征核条件、三种检验的校准依据与适用范围，并查看因果发现应用如何使用独立性结果及其额外假设。
- 阅读边界
- 仅据Crossref摘要；检验条件、比较数值和因果发现设定未展开，联合独立性检验本身不能确立因果方向或效应。
原文摘要
Summary We investigate the problem of testing whether d possibly multivariate random variables, which may or may not be continuous, are jointly (or mutually) independent. Our method builds on ideas of the two-variable Hilbert–Schmidt independence criterion but allows for an arbitrary number of variables. We embed the joint distribution and the product of the marginals in a reproducing kernel Hilbert space and define the d-variable Hilbert–Schmidt independence criterion dHSIC as the squared distance between the embeddings. In the population case, the value of dHSIC is 0 if and only if the d variables are jointly independent, as long as the kernel is characteristic. On the basis of an empirical estimate of dHSIC, we investigate three non-parametric hypothesis tests: a permutation test, a bootstrap analogue and a procedure based on a gamma approximation. We apply non-parametric independence testing to a problem in causal discovery and illustrate the new methods on simulated and real data sets.