제약 기반 인과 발견 (Constraint-based causal discovery)은 반복적인 조건부 독립성 검정 (conditional independence tests)에 의존하지만, 빠른 비매개변수 (nonparametric) 검정은 특히 변수가 비선형 관계를 통해 조건부 집합 (conditioning set)에 의존할 때 캘리브레이션 (calibration)을 희생하는 경우가 많습니다. 우리는 BLITZ (Broad-to-Local Independence Testing via residualiZation)를 소개합니다. 이는 제약 기반 인과 발견 알고리즘에 의해 수행되는 수천 개의 쿼리에 필요한 정확도를 유지하면서도 1초 미만으로 실행되도록 설계된 비매개변수 조건부 독립성 검정입니다. BLITZ는 먼저 저차 다항 회귀 (low-order polynomial regression)를 사용하여 조건부 집합에 대한 광범위하고 매끄러운 의존성을 제거한 다음, 작은 비선형 특징 맵 (nonlinear feature map)을 적용하고 얕은 트리 회귀 (shallow tree regressions)를 통해 해당 특징들을 잔차화 (residualizes)합니다. 결과물인 통계량은 잔차 교차 공분산 (residual cross-covariance)을 검정하며, 귀무 분포 (null distribution)에 대해 모멘트 매칭 카이제곱 근사 (moment-matched chi-square approximation)를 사용합니다. 우리는 이러한 2단계 설계가 트리 잔차화 도구 (tree residualizers)가 직면하는 유효 복잡도 (effective complexity)를 줄여주어, 얕은 트리가 과도한 과적합 (overfitting)을 피하면서 잔차 조건부 평균 편향 (residual conditional-mean bias)을 제어할 수 있음을 이론적으로 보여줍니다. 시뮬레이션에서 BLITZ는 테스트된 방법들 중 가장 빠른 방법들에 속하면서도, 빠른 커널 (fast kernel), 랜덤 특징 (random-feature), 그리고 회귀 기반 (regression-based) 경쟁 모델들보다 더 나은 귀무 캘리브레이션 (null calibration)을 제공합니다. 합성 그래프 (synthetic graphs) 및 유세포 분석 (flow-cytometry) 데이터에 대한 인과 발견 실험에서, BLITZ는 유지된 인접성 (adjacencies) 사이에서 더 신뢰할 수 있는 종단 방향 (endpoint orientations)과 경쟁력 있는 구조적 복구 (structural recovery)를 산출합니다. 이러한 결과는 광범위-국소 잔차화 (broad-to-local residualization)가 인과 발견을 위한 캘리브레이션되고 확장 가능한 비매개변수 조건부 독립성 검정의 실용적인 경로임을 시사합니다.