The Generalised Kernel Covariance Measure
广义核协方差度量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：摘要讨论的是条件独立性检验的核方法与渐近水平保证，属于统计方法论，未涉及所给领域细分中的因果推断、面板、时间序列或金融等具体应用方向。
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…
广义核协方差度量
- 研究问题
- 研究问题：如何构造一种不依赖核岭回归、可搭配多种回归估计量的核方法条件独立性检验，并在适当条件下保证检验水平。
- 方法与思路
- 方法思路：作者提出广义核协方差度量（GKCM），在广义希尔伯特协方差度量框架下，将变量嵌入再生核希尔伯特空间，把嵌入对条件变量回归后检验残差的条件独立性，并刻画其一致渐近水平保证成立的条件。
- 材料陈述的贡献
- 摘要所述贡献：提出对回归模型不敏感的核条件独立性检验，可容纳一大类回归估计量；给出GKCM满足一致渐近水平保证的条件；模拟中与树回归搭配时在多种数据生成过程下常优于现有检验。
- 阅读关注点
- 阅读时应核对：一致渐近水平保证所需的具体条件与正则化假设；所容纳回归估计量的确切范围；模拟的数据生成过程、样本量与调参方式；与哪些现有检验比较及比较的公平性。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断定理证明细节、有限样本表现与实现细节；这是arXiv预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
We consider the problem of conditional independence (CI) testing and adopt a kernel-based approach. Kernel-based CI tests embed variables in reproducing kernel Hilbert spaces, regress their embeddings on the conditioning variables, and test the resulting residuals for marginal independence. This approach yields tests that are sensitive to a broad range of conditional dependencies. Existing methods, however, rely heavily on kernel ridge regression, which is computationally expensive when properly tuned and yields poorly calibrated tests when left untuned, which limits their practical usefulness. We propose the Generalised Kernel Covariance Measure (GKCM), a regression-model-agnostic kernel-based CI test that accommodates a broad class of regression estimators. Building on the Generalised Hilbertian Covariance Measure framework (Lundborg et al., 2022), we characterise conditions under which GKCM satisfies uniform asymptotic level guarantees. In simulations, GKCM paired with tree-based regression models frequently outperforms state-of-the-art CI tests across a diverse range of data-generating processes, achieving better type I error control and competitive or superior power.