Non-asymptotic two-sample kernel testing with the spectrally truncated normalized MMD
基于谱截断归一化MMD的非渐近两样本核检验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：摘要讨论核两样本检验的非渐近理论与分位数估计，属于非参数统计检验方法，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向。
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…
基于谱截断归一化MMD的非渐近两样本核检验
- 研究问题
- 研究问题：在两样本核检验中，如何为以组内协方差算子归一化的最大均值差异（MMD）统计量建立非渐近性质，并据此构造有效的检验阈值。
- 方法与思路
- 方法思路：作者研究谱截断归一化MMD（st-nMMD），在零假设下推导指数型上界，据此给出非渐近分位数的显式上界及数据自适应估计量，并提出无需数据划分即可调优截断水平等超参数的算法。
- 材料陈述的贡献
- 摘要所述贡献：给出零假设下st-nMMD的指数上界，提出对应非渐近分位数的紧致显式上界与数据自适应估计量，并提供无需数据分割的超参数（含截断水平）调优算法，数值实验展示其表现。
- 阅读关注点
- 阅读时应核对：指数上界的推导条件与正则化假设、分位数上界是否确实“紧”、自适应估计量的收敛性质、超参数调优算法的计算成本与理论保证，以及数值实验的设定与对照方法。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断上界的紧致程度、算法实际性能与对照优势；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
Kernel methods provide a flexible and powerful framework for nonparametric statistical testing by embedding probability distributions into a reproducing kernel Hilbert space (RKHS). In this work, we study the kernel two-sample testing problem and focus on a normalized version of the Maximum Mean Discrepancy (MMD) as a test statistic, which scales the discrepancy by the within-group covariance operator to account for data variability. This normalization has been shown to improve test power in both theoretical and empirical settings. Because this normalization requires regularization, we study the non-asymptotic properties of the spectrally truncated normalized MMD (st-nMMD) and derive an exponential upper bound under the null hypothesis. Thanks to this result we propose a sharp and explicit upper bound for the corresponding non-asymptotic quantile, along with a data-adaptive estimator. We further propose an algorithm to tune the hyperparameters involved in the quantile estimation, including the truncation level, without requiring data splitting. We demonstrate the performance of the st-nMMD through numerical experiments under both the null and alternative hypotheses.