On the Hardness of Conditional Independence Testing In Practice
条件独立性检验在实践中的困难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：摘要核心是通用条件独立性检验的误差与功效，因果发现等仅作背景，未足以指定所列细分。
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…
条件独立性检验在实践中的困难
- 研究问题
- 常用条件独立性检验为何在实践中出现尺寸失真或功效不足？条件均值嵌入估计误差与条件核选择分别起什么作用？
- 方法与思路
- 作者研究核条件独立性检验的行为，分析它与广义协方差度量的关系，并考察嵌入估计误差及条件核对第一类错误和功效的影响。
- 材料陈述的贡献
- 摘要强调嵌入估计误差对第一类错误的重要性，并称合适的条件核对功效必不可少，但这种选择也可能推高第一类错误。
- 阅读关注点
- 应核对广义协方差度量近似特殊情形的准确含义、误差影响的理论条件，以及条件核选择、正则化和检验校准如何相互作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未提供完整定理和实验设定，不能据此断言所有条件独立性检验同样失效。
原文摘要
Tests of conditional independence (CI) underpin a number of important problems in machine learning and statistics, from causal discovery to evaluation of predictor fairness and out-of-distribution robustness. Shah and Peters (2020) showed that, contrary to the unconditional case, no universally finite-sample valid test can ever achieve nontrivial power. While informative, this result (based on "hiding" dependence) does not seem to explain the frequent practical failures observed with popular CI tests. We investigate the Kernel-based Conditional Independence (KCI) test - of which we show the Generalized Covariance Measure underlying many recent tests is nearly a special case - and identify the major factors underlying its practical behavior. We highlight the key role of errors in the conditional mean embedding estimate for the Type-I error, while pointing out the importance of selecting an appropriate conditioning kernel (not recognized in previous work) as being necessary for good test power but also tending to inflate Type-I error.