적응형 베팅을 통한 순차적 커널 기반 조건부 독립성 검정

조건부 독립성 (Conditional Independence)을 검정하는 것은 근본적이면서도 본질적으로 어렵습니다. 추가적인 가정 없이는 일반적으로 제1종 오류 (Type I error) 제어가 불가능하기 때문입니다. "Model-X" 패러다임은 관련 조건부 분포 (Conditional distribution)를 정확히 알고 있다고 가정함으로써 이러한 어려움을 해결합니다. 고전적인 일회성 검정 (One-shot testing)에서는 이러한 가정으로부터의 작은 편차를 때때로 허용할 수 있지만, 기존의 순차적 조건부 독립성 검정 (Sequential conditional independence tests)은 일반적으로 Model-X 조건부 분포를 정확히 알고 있어야 하며, 이로 인해 분포를 추정해야 하는 상황에서는 취약해집니다. 우리는 이러한 추정 오류 (Estimation error)에 대해 실질적으로 훨씬 더 강력한(robust) 새로운 접근 방식을 제안합니다. 우리의 방법은 적응적으로 최적화된 커널 조건부 독립성 (Kernel Conditional Independence) 통계량에 베팅 기반 검정 (Testing-by-betting)을 적용하며, 정규화 기법 (Normalization scheme)과 절단 및 이동 보정 (Truncate-and-shift calibration) 전략을 함께 사용합니다. 이러한 수정 사항은 고차원 합성 벤치마크 (High-dimensional synthetic benchmarks)와 실제 공정성 작업 (Real-world fairness tasks) 전반에서 높은 검정력 (Power)을 유지하면서 제1종 오류의 팽창을 크게 줄이며, 기존의 순차적 Model-X 방식들을 능가합니다. 코드는 https://github.com/he-zh/SKCI 에서 확인할 수 있습니다.