A Conditional Distribution Equality Testing Framework using Deep Generative Learning
基于深度生成学习的条件分布相等性检验框架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：摘要明确将条件分布相等性检验用于因果发现，但框架本身也适用于一般两样本问题。
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…
基于深度生成学习的条件分布相等性检验框架
- 研究问题
- 在两样本问题中，如何检验给定协变量后的条件分布是否相等，以服务于协变量偏移分析和因果发现等任务？
- 方法与思路
- 作者结合神经网络生成方法与样本划分，将条件检验转化为无条件检验，并以基于生成分类准确率的检验展示框架。
- 材料陈述的贡献
- 摘要称，论文借助偏移 Rademacher 复杂度推导生成器收敛率并证明检验一致性，另用模拟和两个真实数据集评估效果。
- 阅读关注点
- 应核对条件到无条件转化的有效性、生成误差对检验水平的影响、样本划分设计，以及一致性和补充材料中最优性讨论的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明具体条件和错误率保证，检验一致性不能直接等同于有限样本有效性。
原文摘要
In this paper, we propose a general framework for testing the conditional distribution equality in a two-sample problem, which is most relevant to covariate shift and causal discovery. Our framework is built on neural network-based generative methods and sample splitting techniques by transforming the conditional testing problem into an unconditional one. We introduce the generative classification accuracy-based conditional distribution equality test (GCA-CDET) to illustrate the proposed framework. We establish the convergence rate for the learned generator by deriving new results related to the recently-developed offset Rademacher complexity and prove the testing consistency of GCA-CDET under mild conditions.Empirically, we conduct numerical studies including synthetic datasets and two real-world datasets, demonstrating the effectiveness of our approach. Additional discussions on the optimality of the proposed framework are provided in the online supplementary material.