Machine-Learning-Assisted Comparison of Regression Functions
机器学习辅助的回归函数比较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：摘要提出通用回归函数检验，因果推断仅为应用背景，细分领域证据不足。
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…
机器学习辅助的回归函数比较
- 研究问题
- 在固定维度或高维协变量下，如何检验多个回归函数是否相同，并缓解传统平滑方法面临的维度灾难？
- 方法与思路
- 作者通过推广核条件均值依赖刻画回归函数相等的原假设，据此构造两种结合机器学习估计的检验并研究渐近性质。
- 材料陈述的贡献
- 摘要称，两种检验适用于固定维度和高维情形，仅要求作者所称温和的矩条件，并以数值研究展示方法表现。
- 阅读关注点
- 应核对原假设的新刻画、核函数选择、机器学习估计误差要求，以及高维渐近框架、临界值计算和备择下功效。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出矩条件、维度增长率或数值结果，不能判断具体性能。
原文摘要
We revisit the classical problem of comparing regression functions, a fundamental question in statistical inference with broad relevance to modern applications such as data integration, transfer learning, and causal inference. Existing approaches typically rely on smoothing techniques and are thus hindered by the curse of dimensionality. We propose a generalized notion of kernel-based conditional mean dependence that provides a new characterization of the null hypothesis of equal regression functions. Building on this reformulation, we develop two novel tests that leverage modern machine learning methods for flexible estimation. We establish the asymptotic properties of the test statistics, which hold under both fixed- and high-dimensional regimes. Unlike existing methods that often require restrictive distributional assumptions, our framework only imposes mild moment conditions. The efficacy of the proposed tests is demonstrated through extensive numerical studies.