Asymptotic Distribution-Free Independence Test for High Dimension Data
高维数据的渐近分布无关独立性检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是通用高维独立性检验；虽提及因果推断应用，但未直接研究因果识别或效应。
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…
关注这篇论文的作者
高维数据的渐近分布无关独立性检验
- 研究问题
- 面对高维且依赖信号稀疏的数据，如何借助分类算法构造独立性检验，并获得不随原始数据分布变化的渐近零分布？
- 方法与思路
- 作者先训练分类器区分联合分布与边际乘积分布，再检验分类器的显著性；结合样本拆分和固定置换构造检验统计量。
- 材料陈述的贡献
- 摘要称统计量具有通用、固定的高斯零分布，并报告模拟中的比较优势及两类高维稀疏单细胞测量之间的独立性应用。
- 阅读关注点
- 应核对乘积分布样本的构造、拆分与固定置换的作用，以及高斯极限成立条件、检验功效和分类器选择的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。题名限定渐近分布无关，摘要未给出具体条件，不能据此认定有限样本精确。
原文摘要
Test of independence is of fundamental importance in modern data analysis, with broad applications in variable selection, graphical models, and causal inference. When the data is high dimensional and the potential dependence signal is sparse, independence testing becomes very challenging without distributional or structural assumptions. In this paper, we propose a general framework for independence testing by first fitting a classifier that distinguishes the joint and product distributions, and then testing the significance of the fitted classifier. This framework allows us to borrow the strength of the most advanced classification algorithms developed from the modern machine learning community, making it applicable to high dimensional, complex data. By combining a sample split and a fixed permutation, our test statistic has a universal, fixed Gaussian null distribution that is independent of the underlying data distribution. Extensive simulations demonstrate the advantages of the newly proposed test compared with existing methods. We further apply the new test to a single-cell data set to test the independence between two types of single-cell sequencing measurements, whose high dimensionality and sparsity make existing methods hard to apply.