Permutation-Free High-Order Interaction Tests
无需置换的高阶交互检验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：摘要的主要贡献是通用高阶独立性检验，因果发现应用不足以确定专门的因果推断分类。
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…
无需置换的高阶交互检验
- 研究问题
- 如何检测多变量中超越两两关系的高阶交互，并在检验联合独立性或部分因子分解时避免计算昂贵的置换零分布近似？
- 方法与思路
- 作者基于核方法、V 统计量及新的交叉中心化技术构造检验，使统计量在零假设下具有标准正态极限，从而省去置换校准。
- 材料陈述的贡献
- 摘要称，论文提出一类无需置换的高阶检验，提供实现并用合成数据展示效果与可扩展性，还讨论因果发现和特征选择的应用。
- 阅读关注点
- 应核对联合独立与部分分解各自的零假设、交叉中心化构造，以及正态极限的条件、有限样本校准和计算复杂度比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明核函数、样本依赖和维度增长条件，渐近正态不保证小样本校准准确。
原文摘要
Kernel-based hypothesis tests offer a flexible, non-parametric tool to detect high-order interactions in multivariate data, beyond pairwise relationships. Yet the scalability of such tests is limited by the computationally demanding permutation schemes used to generate null approximations. Here we introduce a family of permutation-free high-order tests for joint independence and partial factorisations of $d$ variables. Our tests eliminate the need for permutation-based approximations by leveraging V-statistics and a novel cross-centring technique to yield test statistics with a standard normal limiting distribution under the null. We present implementations of the tests and showcase their efficacy and scalability through synthetic datasets. We also show applications inspired by causal discovery and feature selection, which highlight both the importance of high-order interactions in data and the need for efficient computational methods.