Empirically Calibrated Conditional Independence Tests
经验校准的条件独立性检验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：摘要明确把条件独立性检验用于因果发现，因此选择因果推断；方法同时服务特征选择，摘要未提供其他细分依据。
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…
经验校准的条件独立性检验
- 研究问题
- 条件独立性检验在小样本或模型误设下为何出现校准失灵，如何修正基础检验的 p 值以改善错误发现率控制及检验功效？
- 方法与思路
- 作者训练对抗器选择特征和响应函数以放大失校准指标，再拟合单调校准映射调整基础检验的 p 值，可结合不同条件独立性检验。
- 材料陈述的贡献
- 摘要称方法能识别并修正失校准，在合成与真实数据基准中达到有效错误发现率和更高功效，且不依赖某一种基础检验。
- 阅读关注点
- 应核对对抗搜索与校准数据是否独立、失校准指标如何定义，以及经验错误发现率表现是否对应明确的有限样本或渐近保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未列出普遍有效性的理论条件，基准实验表现不能证明任意分布下均控制错误。
原文摘要
Conditional independence tests (CIT) are widely used for causal discovery and feature selection. Even with false discovery rate (FDR) control procedures, they often fail to provide frequentist guarantees in practice. We highlight two common failure modes: (i) in small samples, asymptotic guarantees for many CITs can be inaccurate and even correctly specified models fail to estimate the noise levels and control the error, and (ii) when sample sizes are large but models are misspecified, unaccounted dependencies skew the test's behavior and fail to return uniform p-values under the null. We propose Empirically Calibrated Conditional Independence Tests (ECCIT), a method that measures and corrects for miscalibration. For a chosen base CIT (e.g., GCM, HRT), ECCIT optimizes an adversary that selects features and response functions to maximize a miscalibration metric. ECCIT then fits a monotone calibration map that adjusts the base-test p-values in proportion to the observed miscalibration. Across empirical benchmarks on synthetic and real data, ECCIT achieves valid FDR with higher power than existing calibration strategies while remaining test agnostic.