A kernel Stein test for comparing latent variable models
比较潜变量模型的核Stein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。
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：潜变量与核检验属于通用模型比较，摘要未明确经济结构模型或所列因子模型应用。
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…
比较潜变量模型的核Stein检验
- 研究问题
- 当两个模型都含潜变量且观测变量的边际分布难以处理时，如何检验相对拟合优度，并利用潜在结构提高比较效果？
- 方法与思路
- 作者将核Stein差异检验扩展至潜变量模型，构造相对拟合优度检验，并通过适当阈值校准控制第一类错误。
- 材料陈述的贡献
- 摘要称，新检验可控制第一类错误，且在部分低维潜变量、高维观测模型中，表现优于相对最大均值差异检验。
- 阅读关注点
- 应核对相对拟合检验的原假设、潜变量处理方式、阈值校准条件，以及性能比较所覆盖的模型和评价标准。
- 阅读边界
- 仅据所给Crossref摘要；错误控制的具体条件与比较结果未展开，优势仅针对摘要所述部分模型，不能推断全面优越性或刊本变化。
原文摘要
Abstract We propose a kernel-based nonparametric test of relative goodness of fit, where the goal is to compare two models, both of which may have unobserved latent variables, such that the marginal distribution of the observed variables is intractable. The proposed test generalizes the recently proposed kernel Stein discrepancy (KSD) tests (Liu et al., Proceedings of the 33rd international conference on machine learning (pp. 276–284); Chwialkowski et al., (2016), In Proceedings of the 33rd international conference on machine learning (pp. 2606–2615); Yang et al., (2018), In Proceedings of the 35th international conference on machine learning (pp. 5561–5570)) to the case of latent variable models, a much more general class than the fully observed models treated previously. The new test, with a properly calibrated threshold, has a well-controlled type-I error. In the case of certain models with low-dimensional latent structures and high-dimensional observations, our test significantly outperforms the relative maximum mean discrepancy test, which is based on samples from the models and does not exploit the latent structure.