Buchumschlag

Practical Kernel Tests of Conditional Independence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pogodin, Roman, Schrab, Antonin, Li, Yazhe, Sutherland, Danica J., Gretton, Arthur
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Hardness of Conditional Independence Testing In Practice
von: He, Zheng, et al.
Veröffentlicht: (2025)

Regularized $f$-Divergence Kernel Tests
von: Ribero, Mónica, et al.
Veröffentlicht: (2026)

DUAL: Learning Diverse Kernels for Aggregated Two-sample and Independence Testing
von: Zhou, Zhijian, et al.
Veröffentlicht: (2025)

A Practical Introduction to Kernel Discrepancies: MMD, HSIC & KSD
von: Schrab, Antonin
Veröffentlicht: (2025)

A Unified View of Optimal Kernel Hypothesis Testing
von: Schrab, Antonin
Veröffentlicht: (2025)

Robust Kernel Hypothesis Testing under Data Corruption
von: Schrab, Antonin, et al.
Veröffentlicht: (2024)

Credal Two-Sample Tests of Epistemic Uncertainty
von: Chau, Siu Lun, et al.
Veröffentlicht: (2024)

Differentially Private Permutation Tests: Applications to Kernel Methods
von: Kim, Ilmun, et al.
Veröffentlicht: (2023)

Learning Representations for Independence Testing
von: Xu, Nathaniel, et al.
Veröffentlicht: (2024)

Kernel Single Proxy Control for Deterministic Confounding
von: Xu, Liyuan, et al.
Veröffentlicht: (2023)

Fast and Scalable Score-Based Kernel Calibration Tests
von: Glaser, Pierre, et al.
Veröffentlicht: (2025)

Composite Goodness-of-fit Tests with Kernels
von: Key, Oscar, et al.
Veröffentlicht: (2021)

Semiparametric Efficient Test for Interpretable Distributional Treatment Effects
von: Zenati, Houssam, et al.
Veröffentlicht: (2026)

Kernel Treatment Effects with Adaptively Collected Data
von: Zenati, Houssam, et al.
Veröffentlicht: (2025)

Nonparametric Instrumental Regression via Kernel Methods is Minimax Optimal
von: Meunier, Dimitri, et al.
Veröffentlicht: (2024)

Sequential Kernel Embedding for Mediated and Time-Varying Dose Response Curves
von: Singh, Rahul, et al.
Veröffentlicht: (2021)

Controlling Moments with Kernel Stein Discrepancies
von: Kanagawa, Heishiro, et al.
Veröffentlicht: (2022)

Semiparametrically Efficient Inference for Kernel Measures of Noise Heterogeneity
von: Wornbard, Jakub, et al.
Veröffentlicht: (2026)

Perturbative methods for non-parametric instrumental variable
von: Bu, Wei, et al.
Veröffentlicht: (2026)

Conditional Bayesian Quadrature
von: Chen, Zonghao, et al.
Veröffentlicht: (2024)

Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes
von: Manten, Georg, et al.
Veröffentlicht: (2024)

Mixture Proportion Estimation and Weakly-supervised Kernel Test for Conditional Independence
von: Hirose, Yushi, et al.
Veröffentlicht: (2026)

Understanding Simplicity Bias towards Compositional Mappings via Learning Dynamics
von: Ren, Yi, et al.
Veröffentlicht: (2024)

Differentially Private Neural Tangent Kernels for Privacy-Preserving Data Generation
von: Yang, Yilin, et al.
Veröffentlicht: (2023)

Sequential Kernelized Independence Testing
von: Podkopaev, Aleksandr, et al.
Veröffentlicht: (2022)

Conditional Diffusion Models Based Conditional Independence Testing
von: Yang, Yanfeng, et al.
Veröffentlicht: (2024)

Amortized Conditional Independence Testing
von: Duong, Bao, et al.
Veröffentlicht: (2025)

Learning Dynamics of LLM Finetuning
von: Ren, Yi, et al.
Veröffentlicht: (2024)

Doubly-Robust Estimation of Counterfactual Policy Mean Embeddings
von: Zenati, Houssam, et al.
Veröffentlicht: (2025)

Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation
von: Xu, Liyuan, et al.
Veröffentlicht: (2021)

Generalized Coverage for More Robust Low-Budget Active Learning
von: Bae, Wonho, et al.
Veröffentlicht: (2024)

Efficient kernelized bandit algorithms via exploration distributions
von: Hu, Bingshan, et al.
Veröffentlicht: (2025)

Exploring Active Learning in Meta-Learning: Enhancing Context Set Labeling
von: Bae, Wonho, et al.
Veröffentlicht: (2023)

Interventional Processes for Causal Uncertainty Quantification
von: Dance, Hugh, et al.
Veröffentlicht: (2024)

Towards Optimal Sobolev Norm Rates for the Vector-Valued Regularized Least-Squares Algorithm
von: Li, Zhu, et al.
Veröffentlicht: (2023)

A Unified Data Representation Learning for Non-parametric Two-sample Testing
von: Tian, Xunye, et al.
Veröffentlicht: (2024)

Uncertainty Herding: One Active Learning Method for All Label Budgets
von: Bae, Wonho, et al.
Veröffentlicht: (2024)

Near-Optimality of Contrastive Divergence Algorithms
von: Glaser, Pierre, et al.
Veröffentlicht: (2025)

Empirically Calibrated Conditional Independence Tests
von: Pan, Milleno, et al.
Veröffentlicht: (2026)

Why Do You Grok? A Theoretical Analysis of Grokking Modular Addition
von: Mohamadi, Mohamad Amin, et al.
Veröffentlicht: (2024)