PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.20007v3stat.ML

커널화된 스타인 괴리를 통한 계산 효율적인 적합도 검정

Computationally efficient goodness-of-fit tests through kernelized Stein discrepancy

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.