계산 불가능한(intractable) 정규화 상수를 갖는 모델은 통계학과 머신러닝에서 널리 사용됩니다. 이러한 모델의 적합성을 평가하는 데는 상당한 어려움이 따릅니다. 적합된 모델로부터 표본을 얻기 위해 종종 정교한 샘플링 알고리즘이 필요하기 때문입니다. 게다가 모델 적합에는 때때로 반복적인 수치적 최적화가 요구되므로, 반복적인 재적합이 필요한 부트스트랩 절차는 계산 비용이 매우 높습니다. 본 논문에서는 커널 기반 검정 프레임워크를 활용하여 커널화된 스타인 괴리(kernelized Stein discrepancy)에 기반한 일반적인 준모수 적합도 검정(goodness-of-fit test)을 개발합니다. 일반적인 방해 모수(nuisance parameter) 추정 조건에서 검정 통계량의 일치성(consistency)과 점근적 귀무 분포를 규명합니다. 유의수준 $α$ 검정을 생성하기 위해, 모델을 재적합하거나 모델로부터 샘플링할 필요가 없는 새로운 영향도 조정 와일드 부트스트랩(influence-adjusted wild bootstrap)을 제안합니다. 귀무가설 및 대립가설 하에서 제안된 부트스트랩 검정 절차의 일치성을 증명하고, 인접 국소 대립가설(contiguous local alternatives) 하에서 극한 검정력을 규명합니다. 고전적인 정규성 검정부터 다루기 힘든 우도를 갖는 모델에 이르는 시뮬레이션 전반에 걸쳐, 제안된 검정은 기존 접근 방식보다 수 자릿수(orders of magnitude) 낮은 계산 비용으로 경쟁력 있거나 우수한 검정력을 제공합니다. 폐선암 종양의 역상 단백질 배열(RPPA) 데이터에 대한 단백질 신호 네트워크 모델의 적합성을 평가함으로써 본 방법론을 실증합니다. 보완적인 통찰로서, 본 연구는 SKSD 검정이 지수적으로 기울어진(exponentially tilted) 모델 하에서 비모수 스코어 검정으로 간주될 수 있음을 보여주며, 스코어 기반 및 거리 기반 적합도 검정을 연결합니다.
통계학 및 기계학습의 여러 방법들은 엔트로피 정규화 변분 목적함수가 최소화되는 확률 분포를 목표로 한다. 이러한 유연성의 증가는 계산상의 어려움을 초래하는데, 목표 분포에 대한 명시적인 비정규화 밀도에 접근할 수 없게 되기 때문이다. 이 어려움을 완화하기 위해, 우리는 '그래디언트 불일치(gradient discrepancy)'라는 새로운 준최적성 측도를 도입하며, 특히 명시적으로 계산 가능한 커널 그래디언트 불일치(KGD)를 제안한다. 베이즈 통계 맥락에서 KGD는 커널 Stein 불일치(KSD)와 일치하며, 우리는 KSD를 변분 그래디언트의 크기를 측정하는 것으로 해석하는 새로운 특성화를 얻는다. 이 익숙한 설정을 벗어난 경우에도, KGD는 비정규화 밀도를 구할 수 없을 때조차 새로운 샘플링 알고리즘의 개발 및 비교를 가능하게 한다. 이를 설명하기 위해 Stein 변분 경사하강법의 자연스러운 일반화를 포함한 여러 새로운 알고리즘을 제안하고 연구하며, 평균장 신경망 및 예측 지향 사후분포에 대한 응용을 제시한다. 이론적 측면에서 우리의 주요 기여는 연속성 및 수렴 제어와 같은 KGD의 바람직한 성질에 대한 충분조건을 확립하는 것이다.
KSD를 고정 목표 분포와의 비교에 사용할 때, 표준 플러그인 V-통계량이 트레이스 스케일에 머물러 미니맥스 최적이 아님을 증명하고, 스타인 공분산 연산자 $C_\star$의 힐베르트-슈미트 노름에 의해 결정되는 미니맥스 스케일 $\sqrt{\|C_\star\|_{\mathrm{HS}}/n}$이 대각 항을 제거한 양의 부분 제곱근 U-통계량으로 달성됨을 보인다. 가우시안 목표 분포와 고정 대역폭 가우시안 커널 환경에서는 V-통계량과 최적 추정량 간의 효율 손실이 차원에 대해 지수적으로 증가함을 명시적으로 계산으로 확인한다.