跳转至

Marginal Coordinate Test for Fr\'echet Regression with Random Objects

作者: Jiaye Chen, Rui Qiu, Roulin Wang, Zhou Yu
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.30644

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在 Fréchet 回归（响应变量为度量空间中的随机对象，预测变量为欧氏向量）的框架下，如何对单个预测变量进行条件独立性检验。具体来说，给定其他所有预测变量 \(X_{-j}\) 后，检验某个特定预测变量 \(X_j\) 是否对响应变量 \(Y\) 的完整条件分布（而非仅仅是条件均值）提供额外信息。这是一个介于“充分降维”和“条件独立性检验”之间的交叉问题，其成熟度处于方法刚刚起步、理论框架初步建立、但缺乏系统性推断工具的阶段。

发展脉络（history）

  1. 奠基工作：Fréchet 回归的建立。Petersen and Müller (2019) 提出了 Fréchet 回归的一般框架，将经典的最小二乘回归和局部加权平滑推广到度量空间响应，奠定了该领域的基础。后续发展包括单指标模型 (Bhattacharjee and Müller, 2023)、随机森林方法 (Qiu et al., 2024) 和深度学习 (Iao et al., 2025)。这些工作主要关注估计，即如何拟合条件 Fréchet 均值，而非推断。

  2. 主要进展：Fréchet 回归中的降维与变量选择。Ying and Yu (2022) 将充分降维引入 Fréchet 回归，提出了加权逆回归集成方法。Zhang et al. (2024) 进一步提出了响应变换集成方法。Tucker et al. (2023) 和 Tian et al. (2025) 分别发展了变量选择和特征筛选方法。这些工作将 Fréchet 回归从“全变量估计”推进到“降维与选择”，但它们的输出是排序或子集，而非校准的假设检验。

  3. 当前 Frontier：从降维到推断。在欧氏响应领域，从 Cook (2004) 的边际坐标检验开始，到 Dong et al. (2016) 的置换校准、Guo et al. (2025) 的模型无关 FDR 控制，已经形成了一套完整的推断体系。然而，这些方法都依赖于欧氏响应的特定结构（如逆回归矩阵、残差构造）。本文的位置：本文试图将 Cook (2004) 的边际坐标检验思想推广到度量空间响应，填补“Fréchet 回归有降维但无推断”的缺口。

子线索聚类

这些被引文献大致落在以下 3-4 条子线索上：

  • 线索 A：Fréchet 回归方法（Petersen and Müller, 2019; Bhattacharjee and Müller, 2023; Qiu et al., 2024; Iao et al., 2025）。这一簇在做：为度量空间响应设计各种回归估计器（全局、局部、单指标、随机森林、深度学习），核心是估计条件 Fréchet 均值。
  • 线索 B：Fréchet 回归中的降维与变量选择（Ying and Yu, 2022; Zhang et al., 2024; Tucker et al., 2023; Tian et al., 2025）。这一簇在做：将充分降维或变量选择技术推广到 Fréchet 回归，核心是降维或排序，而非假设检验。
  • 线索 C：欧氏响应下的边际坐标检验与 FDR 控制（Cook, 2004; Dong et al., 2016; Guo et al., 2025; Ning and Liu, 2017; Candès et al., 2018）。这一簇在做：为欧氏响应（标量或向量）设计校准的边际坐标检验，并控制多重比较的 FDR。这是本文方法论的直接来源。
  • 线索 D：条件独立性检验（Fukumizu et al., 2008; Wang et al., 2015; Lundborg et al., 2022）。这一簇在做：开发不依赖于模型的条件独立性检验，但通常针对欧氏或希尔伯特空间响应，且需要估计条件算子或构造响应残差。

这个方向在追问的核心问题

  1. 如何定义“条件独立性”的检验目标？ 是检验 \(Y \perp X_j \mid X_{-j}\)（完整条件分布），还是检验 \(E(Y \mid X) = E(Y \mid X_{-j})\)（条件均值独立性）？本文选择前者，但主要检验统计量针对的是后者的一个必要条件。
  2. 如何构造一个不依赖于欧氏响应结构的检验统计量？ 欧氏响应下的方法（如 SIR、decorrelated score）无法直接推广。本文的答案是：利用度量空间的负类型性质，将响应嵌入希尔伯特空间，然后构造一个基于乘积空间核的 U-统计量。
  3. 如何处理高维预测变量？ 当 \(p\) 较大时，条件均值 \(E(X_j \mid X_{-j})\) 的估计需要正则化。本文采用半监督设计，用无标签样本进行高维估计，用独立有标签样本进行推断。
  4. 如何控制多重比较的 FDR？ 坐标检验是同时进行的，且 p 值之间存在复杂依赖。本文的答案是：将 p 值校准为 e-值，然后应用 e-BH 过程，后者在任意依赖下都能控制 FDR。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么？ 作者将缺口 frame 为：“现有 Fréchet 回归方法提供了估计和降维工具，但不直接提供一个校准的边际坐标检验”（Introduction 第 1 段末句）。这使得本文成为“显然的下一步”：既然有了估计（线索 A）和降维（线索 B），那么自然需要推断（本文）。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了直接推广现有条件独立性检验的可能性。例如，Lundborg et al. (2022) 的残差构造方法理论上可以推广到度量空间响应，但作者仅以“需要欧氏或希尔伯特空间响应回归”为由一笔带过。作者也回避了基于置换的检验（如 Dong et al., 2016 的推广），因为置换检验在 Fréchet 回归中可能计算成本极高。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用任何关于度量空间中的条件独立性检验的近期工作（如果有的话）。这可能意味着这个子领域确实非常新，或者作者有意回避了某些更通用的方法。这是一个值得研究者去查的问题：是否存在比本文更通用的度量空间条件独立性检验方法？

张力

未见明显对立引用。被引工作之间在方法论上互补而非冲突：欧氏响应方法（线索 C）为本文提供了问题框架，Fréchet 回归方法（线索 A、B）为本文提供了应用场景。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \(X = (X_1, \ldots, X_p)^\top \in \mathbb{R}^p\)：欧氏预测变量向量。
    • \(X_j\)：第 \(j\) 个预测变量（标量）。
    • \(X_{-j} = (X_1, \ldots, X_{j-1}, X_{j+1}, \ldots, X_p)^\top\)：除第 \(j\) 个外的所有预测变量（\(\mathbb{R}^{p-1}\) 向量）。
    • \(Y\)：响应变量，取值于一个可分的度量空间 \((\mathcal{Y}, d)\)。
    • \(H_{0j}: Y \perp X_j \mid X_{-j}\)：第 \(j\) 个坐标的边际坐标零假设（条件独立性）。
    • \(f_j(x_{-j}) = \mathbb{E}(X_j \mid X_{-j} = x_{-j})\)：第 \(j\) 个预测变量的条件均值函数（待估的 nuisance 参数）。
    • \(V_j = X_j - \mathbb{E}(X_j \mid X_{-j})\)：第 \(j\) 个预测变量的残差（潜在量，不可观测）。
    • \(\phi: \mathcal{Y} \to \mathcal{H}\)：将度量空间响应嵌入希尔伯特空间 \(\mathcal{H}\) 的映射（由负类型度量保证存在）。
    • \(\Gamma_j = (\phi(Y), X_{-j})\)：乘积空间 \(\mathcal{H} \times \mathbb{R}^{p-1}\) 中的随机元素（可观测，因为 \(\phi(Y)\) 可通过距离计算）。
    • \(K(\cdot, \cdot)\)：定义在 \(\Gamma_j\) 支撑集上的特征核。
    • \(\Lambda_j = \text{KCMD}(V_j, \Gamma_j)\)：核条件均值依赖（KCMD）度量，是本文的目标参数（estimand）。
    • \(n_1\)：无标签样本量（仅用于估计 nuisance）。
    • \(n_2\)：有标签样本量（用于构造检验统计量）。
    • \(\mathcal{D}_1 = \{X^{(i)} : 1 \le i \le n_1\}\)：无标签预测变量样本（可观测）。
    • \(\mathcal{D}_2 = \{(X^{(k)}, Y^{(k)}) : 1 \le k \le n_2\}\)：有标签联合样本（可观测）。

  • 模型：

    • 数据生成机制：\((X, Y) \sim P_{X,Y}\)，其中 \(X \in \mathbb{R}^p\)，\(Y \in \mathcal{Y}\)。没有对 \(P_{Y|X}\) 施加任何参数模型。唯一的模型假设是：\((\mathcal{Y}, d)\) 是负类型度量空间（Assumption 1），且核 \(K\) 是特征核（Assumption 2）。
    • 待估对象：\(f_j(x_{-j}) = \mathbb{E}(X_j \mid X_{-j})\)，这是一个纯预测变量侧的回归问题，不涉及响应 \(Y\)。
    • 检验目标：\(H_{0j}: Y \perp X_j \mid X_{-j}\)。

  • 可观测数据：

    • 可观测：\(X^{(i)}\)（无标签），\((X^{(k)}, Y^{(k)})\)（有标签），以及通过距离 \(d(Y^{(k)}, Y^{(l)})\) 计算的核 \(K(\Gamma_j^{(k)}, \Gamma_j^{(l)})\)。
    • 不可观测（潜在）：残差 \(V_j^{(k)} = X_j^{(k)} - f_j(X_{-j}^{(k)})\)，因为 \(f_j\) 未知。需要用 \(\mathcal{D}_1\) 估计 \(\hat{f}_{n_1, j}\)，然后构造估计残差 \(\hat{V}_j^{(k)} = X_j^{(k)} - \hat{f}_{n_1, j}(X_{-j}^{(k)})\)。

第二步：讲最小内核

本文的核心思路可以浓缩为以下最简特例：

特例设定：假设 \(Y\) 是标量（\(\mathcal{Y} = \mathbb{R}\)），\(p=2\)（只有两个预测变量 \(X_1, X_2\)），我们想检验 \(H_{01}: Y \perp X_1 \mid X_2\)。假设 \(X_1, X_2\) 是联合高斯的，且 \(Y\) 与 \(X_1, X_2\) 的关系是线性的：\(Y = \beta_1 X_1 + \beta_2 X_2 + \epsilon\)，\(\epsilon \perp (X_1, X_2)\)。

在这个特例下，本文的核心思路是什么？

  1. 构造残差：首先，用无标签样本 \(\mathcal{D}_1\) 估计 \(f_1(x_2) = \mathbb{E}(X_1 \mid X_2)\)。在高斯假设下，\(f_1(x_2) = \gamma x_2\)，可以用 OLS 估计 \(\hat{\gamma}\)。然后，对有标签样本 \(\mathcal{D}_2\)，计算估计残差 \(\hat{V}_1^{(k)} = X_1^{(k)} - \hat{\gamma} X_2^{(k)}\)。

  2. 构造检验统计量：检验 \(H_{01}\) 等价于检验 \(\mathbb{E}(V_1 \mid Y, X_2) = 0\)（因为 \(V_1\) 是 \(X_1\) 中与 \(X_2\) 线性无关的部分）。本文用 KCMD 来度量这个条件均值是否为零。KCMD 的样本版本是一个 U-统计量：

    \[T_{(n_1, n_2), 1} = \frac{1}{n_2(n_2-1)} \sum_{k \neq l} \hat{V}_1^{(k)} \hat{V}_1^{(l)} K(\Gamma_1^{(k)}, \Gamma_1^{(l)})\]
    其中 \(\Gamma_1^{(k)} = (Y^{(k)}, X_2^{(k)})\)，核 \(K\) 是特征核（例如高斯核）。

  3. 为什么这个统计量能检验 \(H_{01}\)？

    • 如果 \(H_{01}\) 成立（\(Y \perp X_1 \mid X_2\)），那么给定 \(X_2\) 后，\(Y\) 不提供关于 \(X_1\) 的额外信息。因此，\(\mathbb{E}(V_1 \mid Y, X_2) = \mathbb{E}(V_1 \mid X_2) = 0\)。此时，KCMD 的总体版本 \(\Lambda_1 = 0\)，样本统计量 \(T_{(n_1, n_2), 1}\) 的期望为 0，且其 U-统计量核是退化的（因为一阶投影为 0）。
    • 如果 \(H_{01}\) 不成立（例如 \(\beta_1 \neq 0\)），那么给定 \(X_2\) 后，\(Y\) 仍包含关于 \(X_1\) 的信息，因此 \(\mathbb{E}(V_1 \mid Y, X_2) \neq 0\)，\(\Lambda_1 > 0\)，统计量 \(T_{(n_1, n_2), 1}\) 的期望为正。

  4. 关键难点与本文的解法：

    • 难点：在零假设下，U-统计量的核是退化的，其极限分布不是正态，而是加权中心卡方分布（Theorem 2）。这个分布是非枢轴的（依赖于未知的谱）。
    • 解法：本文使用 wild bootstrap（Algorithm 1）来校准。通过给 U-统计量的每个求和项乘以独立同分布的乘子 \(\xi_k\)，构造 bootstrap 版本 \(T_{(n_1, n_2), 1}^{(b)}\)。Theorem 3 证明，bootstrap 版本的条件分布收敛到与真实统计量相同的极限分布，从而可以用 bootstrap 分位数作为临界值。

总结：本文的最小内核是：用半监督方式估计预测变量残差，构造一个退化的 U-统计量来检验条件均值独立性，并用 wild bootstrap 处理非枢轴极限分布。论文的一般情形（度量空间响应、高维 \(p\)、非线性 nuisance）只是在这个内核上“加壳”：用距离核处理度量空间响应，用 LASSO/神经网络处理高维 nuisance，用 e-BH 处理多重比较。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：针对 Fréchet 回归（度量空间响应、欧氏预测变量），提出了边际坐标检验方法（FMCT），用于检验单个预测变量 \(X_j\) 是否在给定其他变量 \(X_{-j}\) 后与响应 \(Y\) 条件独立。
  2. 核心工具 / 方法：采用半监督设计（无标签样本估计 nuisance，有标签样本构造统计量），将残差与乘积空间核结合，构造了一个核条件均值依赖（KCMD）U-统计量作为检验统计量，并通过 wild bootstrap 校准其非枢轴极限分布。对于多重比较，采用截断 p-to-e 校准与 e-BH 过程。
  3. 主要结论：建立了检验统计量在零假设下的加权中心卡方极限分布（Theorem 2）、wild bootstrap 的有效性（Theorem 3）、对固定可检测备择假设的一致性（Theorem 4）、以及在均值元素备择下的局部功效（Theorem 5）。同时证明了通过 e-BH 过程可以实现渐近 FDR 控制（Theorem 6）。

关键设定与假设

  • Assumption 1（负类型度量空间）：\((\mathcal{Y}, d)\) 是负类型的。这是将响应嵌入希尔伯特空间 \(\mathcal{H}\) 的前提，使得距离可以表示为嵌入向量的欧氏距离。相比已有文献：这是 Fréchet 回归的标准假设（Petersen and Müller, 2019 也使用），但本文将其用于构造检验统计量而非估计。
  • Assumption 2（核正则性）：核 \(K\) 是特征核、有界、且 RKHS 可分。这是 KCMD 度量能刻画条件均值独立性的关键（Lai et al., 2021 的 Proposition 1）。相比已有文献：这是 KCMD 方法的标准假设，本文将其应用于乘积空间 \(\mathcal{H} \times \mathbb{R}^{p-1}\)。
  • Assumption 3（坐标穷举性）：有限变换族 \(\mathcal{G}^{(m)}\) 是坐标穷举的，即每个活跃坐标至少被一个变换检测到。相比已有文献：这是充分降维中“覆盖性”和“穷举性”条件的类比（Yin and Li, 2011; Guo et al., 2025），但本文将其表述为行支撑条件，比要求列秩更弱。
  • Assumption 4（Nuisance 估计）：nuisance 估计 \(\hat{f}_{n_1, j}\) 的均方误差 \(\rho_{n_1, j}^2 = O_P(a_{n_1, j}^2)\)，且 \(\sqrt{n_2} a_{n_1, j} \to 0\)。相比已有文献：这是半监督推断的标准条件，要求 nuisance 估计误差相对于检验统计量的尺度可忽略。本文给出了 LASSO 和神经网络满足此条件的例子。
  • Assumption 5（Bootstrap 乘子）：乘子 \(\xi\) 独立于数据，零均值、单位方差、四阶矩有限。这是 wild bootstrap 的标准条件。
  • Assumption 6（局部均值元素漂移）：备择假设下的均值元素 \(\mu_j^{[n_2]}\) 以速率 \(\varrho_{n_2}\) 趋近于 0。这是刻画局部功效的标准设定。

主要结果

  • Theorem 2（零假设极限分布）：在 \(H_{0j}\) 下，\(W_{(n_1, n_2), j} = n_2 T_{(n_1, n_2), j}\) 弱收敛到一个加权中心卡方分布 \(\sum_{i=1}^\infty \zeta_{i,j} (G_{i,j}^2 - 1)\)。直觉：由于零假设下 U-统计量的核是退化的，其极限分布由核的谱分解决定。必要条件：\(\sqrt{n_2} a_{n_1, j} \to 0\)（nuisance 估计误差可忽略）。解决的技术难点：处理了估计残差 \(\hat{V}_j\) 带来的额外变异性，证明其影响在给定条件下可忽略。
  • Theorem 3（Bootstrap 有效性）：在零假设下，wild bootstrap 版本的 \(W_{(n_1, n_2), j}^*\) 的条件分布弱收敛到与 Theorem 2 相同的极限分布。直觉：bootstrap 乘子复制了退化 U-统计量的谱结构。解决的技术难点：需要证明 bootstrap 版本的核也是退化的，且其谱收敛到真实谱。
  • Theorem 4（对固定备择的一致性）：如果 \(\Lambda_j > 0\)，则 bootstrap p 值依概率收敛到 0，检验的功效趋近于 1。直觉：当备择假设成立时，U-统计量的核非退化，统计量以速率 \(n_2\) 发散，远快于 bootstrap 的速率。
  • Theorem 5（局部功效）：在均值元素漂移 \(\|\mu_j^{[n_2]}\|_{\mathcal{H}_K} = \varrho_{n_2}\) 下，检测边界是 \(\sqrt{n_2} \varrho_{n_2} \to \infty\)（功效趋近于 1），\(\sqrt{n_2} \varrho_{n_2} \to \tau\)（功效趋近于一个非平凡极限），\(\sqrt{n_2} \varrho_{n_2} \to 0\)（功效趋近于名义水平）。直觉：这是退化 U-统计量局部功效的标准结果，检测边界为 \(n_2^{-1/2}\)（在 \(\|\mu_j\|_{\mathcal{H}_K}\) 尺度上）。
  • Theorem 6（FDR 控制）：通过截断 p-to-e 校准和 e-BH 过程，在任意依赖下，渐近 FDR 被控制在 \(\alpha\) 以下。直觉：e-BH 过程对任意依赖的 e-值都能控制 FDR，而截断校准保证了 e-值的渐近有效性。

证明路线与技术技巧

  • 整体路线：

    1. U-统计量分解：将 \(W_{(n_1, n_2), j}\) 分解为“oracle 版本”（使用真实 \(f_j\)）和“估计误差项”。
    2. 处理估计误差：利用 Assumption 4（\(\sqrt{n_2} a_{n_1, j} \to 0\)）证明估计误差项在零假设下可忽略。
    3. 处理 oracle 版本：在零假设下，oracle U-统计量的核是退化的。应用退化 U-统计量的极限分布理论（如 Serfling 1980），得到加权卡方极限。
    4. Bootstrap 有效性：证明 bootstrap 版本的 U-统计量核也是退化的，且其谱收敛到真实谱。这通常需要证明核的协方差算子收敛。
    5. FDR 控制：证明截断校准后的 e-值是渐近有效的（期望 \(\le 1\)），然后直接引用 Wang and Ramdas (2022) 的 e-BH 定理。

  • 关键跳跃点：

    • 跳跃点 1：证明估计误差项 \(\hat{V}_j^{(k)} \hat{V}_j^{(l)} - V_j^{(k)} V_j^{(l)}\) 对 U-统计量的贡献是 \(o_P(n_2^{-1})\)。这需要精细的泰勒展开和 Assumption 4 的速率条件。
    • 跳跃点 2：证明 bootstrap 版本的核在条件期望下也是退化的。这依赖于乘子 \(\xi_k\) 的独立性，使得 \(\mathbb{E}^*[\xi_k \xi_l] = 0\)（当 \(k \neq l\)），从而复制了退化结构。

  • 技术技巧点名：

    • U-统计量理论：核心工具。整个检验统计量就是一个二阶 U-统计量。
    • 退化核的极限分布：用于推导 Theorem 2 的加权卡方极限。
    • Wild Bootstrap：用于校准非枢轴极限分布（Algorithm 1, Theorem 3）。
    • 半监督设计：将 nuisance 估计和推断分离，简化了理论分析。
    • e-BH 过程：用于在任意依赖下控制 FDR（Algorithm 2, Theorem 6）。
    • 截断 p-to-e 校准：将渐近有效的 p-值转化为渐近有效的 e-值（Proposition 2）。

真实例子与应用

  • 数据：纽约市出租车每小时流量数据。每个小时的流量网络被表示为一个 \(3 \times 3\) 的对称加权邻接矩阵，其矩阵指数被用作 SPD 响应。14 个预测变量包括 9 个出租车服务变量和 5 个天气变量。
  • 方法应用：采用半监督设计（\(n_1=1204\) 无标签，\(n_2=212\) 有标签）。用 LASSO 估计每个 \(f_j(X_{-j})\)。使用 Log-Cholesky 距离和 FMCT 进行坐标检验和同时检验。
  • 结果：坐标检验在 0.05 水平下拒绝了 7 个变量的零假设（包括 Ave. Distance, Ave. Fare 等）。同时检验（FDR 0.05 和 0.1）只选择了 Ave. Fare 和 Cash。没有天气变量被选中。
  • 这个例子想说明什么：展示 FMCT 在真实非欧几里得数据（SPD 矩阵）上的可操作性，以及它如何提供比坐标检验更严格的 FDR 控制结果。同时，也诚实地指出了方法的局限性（可能错过非线性贡献）。

🔎 结论是否比证明窄

  • 是的，结论比证明窄。论文的主要理论结果（Theorem 2-5）都是针对辅助零假设 \(H'_{0j}: \Lambda_j = 0\)（即条件均值独立性）的，而非科学零假设 \(H_{0j}: Y \perp X_j \mid X_{-j}\)（完整条件独立性）。论文在 Section 2.3 明确承认：“Unless the identity transformation is itself coordinate exhaustive, however, failure to reject \(H'_{0j}\) does not establish conditional independence.” 这意味着，论文严格证明的只是对条件均值独立性的检验，而声称的“边际坐标检验”在一般情况下只是一个必要条件检验。只有当 identity 变换是坐标穷举的（一个很强的、通常无法验证的条件）时，结论才等价于对完整条件独立性的检验。
  • 另一个窄化：Theorem 5 的局部功效分析仅针对“均值元素漂移”这一特定类型的备择假设，而非所有可能的备择。论文在 Section 3.4 开头明确说明：“This subsection studies power against the auxiliary alternative \(H'_{1j}: \Lambda_j > 0\), rather than against all departures from the scientific null \(H_{0j}\).”

四、开放问题

  1. 数据自适应的变换族：论文使用预设的有限变换族（如 identity），并指出“Future work may develop data-adaptive transformation families”（Conclusion 末句）。扎根点：Section 2.2 和 Conclusion。要解决的问题是：如何从数据中自动学习一组变换，使其在未知的备择假设下具有近似坐标穷举性？
  2. 均匀 bootstrap 和 FDR 保证：论文的 bootstrap 有效性（Theorem 3）和 FDR 控制（Theorem 6）是逐点（pointwise）的，即对每个固定的 \(p\) 成立。论文在 Conclusion 提到“establish uniform bootstrap and FDR guarantees for growing \(p\)”。扎根点：Conclusion 末句。要解决的问题是：当 \(p\) 随样本量增长时，如何证明 bootstrap 分位数和 e-BH 过程在 \(p\) 上一致有效？
  3. 超越条件均值依赖的检验：论文的主要检验针对的是条件均值依赖性，可能错过仅通过条件方差或更高阶矩表达的贡献。扎根点：Section 2.3 末句：“it probes changes in the conditional mean of \(X_j\) after \((Y, X_{-j})\) is observed and may miss contributions expressed only through nonlinear transformations or other features of the conditional distribution.” 要解决的问题是：如何构造一个能检测更广泛备择假设（如条件方差依赖）的检验统计量，同时保持对度量空间响应的适用性？
  4. 与更通用的度量空间条件独立性检验的关系：论文回避了与 Lundborg et al. (2022) 等更通用方法的直接比较。扎根点：Introduction 第 3 段。要解决的问题是：本文的 FMCT 与将 Lundborg et al. (2022) 的残差构造方法推广到度量空间相比，在理论保证、计算效率和检测能力上各有何优劣？这是一个值得研究者去查的、可能揭示真正 gap 的问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论