Testing Conditional Distribution Equality Using Generative Models
使用生成模型检验条件分布相等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：摘要明确将因果推断列为应用场景，并涉及条件分布比较与分布效应，故选取因果推断与分位数与分布效应两个最直接相关的细分。
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…
使用生成模型检验条件分布相等
- 研究问题
- 研究问题：如何检验两个条件分布是否相等，尤其当条件变量为高维、传统方法检验功效下降时。摘要称该问题在因果推断、模型诊断与迁移学习中有应用。
- 方法与思路
- 方法思路：作者提出利用生成模型，同时使用观测数据与合成样本比较条件分布；引入样本分割与学生化方案控制估计误差；在原假设下统计量渐近正态，并刻画对邻近备择的局部功效。
- 材料陈述的贡献
- 摘要所述贡献：提出基于生成模型的条件分布相等检验，理论在原假设与固定备择下仅要求所学条件分布一致，从而允许较广的生成模型类别；实证显示高维下规模控制准确、功效较强。
- 阅读关注点
- 阅读时应核对：检验统计量的具体构造与学生化细节；原假设与固定备择下所需假设的确切表述；局部功效结论的适用条件；样本分割比例与生成模型误差如何影响有限样本表现；对比实验的设计与基准选择。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断证明细节、假设是否可检验、模拟与实证的具体设定及数值；摘要未说明真实数据应用、计算成本与调参敏感性。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Conditional distribution equality testing is a core problem with applications in causal inference, model diagnostics, and transfer learning. Existing methods often lose power when the conditioning variable is high-dimensional. We propose a new test that leverages generative models to compare conditional distributions using both observed data and synthetic samples. A sample-splitting and studentization scheme is introduced to control estimation error. Under the null, the test statistic is asymptotically normal, and we establish local power against contiguous alternatives. Our theory under the null and fixed alternative requires only consistency of the learned conditional distribution, allowing for a broad class of generative models. Empirical results demonstrate accurate size control and strong power in high-dimensional settings compared to representative kernel-based conditional and joint two-sample tests.