平移不变核 HSIC 估计的极小最大速率
内容提要
本文探讨了希尔伯特-施密特独立准则（HSIC）在统计检验中的应用，提出了一种基于HSIC的独立性检验方法，适用于不同随机变量的独立性测试。研究表明，即使在核函数不具特性的情况下，该方法仍然保持一致性。此外，文中介绍了新型的非参数假设检验方法及其在因果发现中的应用，展示了HSIC在统计分析中的有效性和优势。
延伸解读
HSIC 检验的稳健性条件
文章指出，即使联合分布的核函数不具特性，只要边缘核函数具有特性，基于 HSIC 的独立性检验仍能保持一致性。这意味着在实际应用中，当联合核难以满足特征性要求时，检验结果依然可靠，为方法的使用提供了更宽松的条件。
dHSIC 三种检验方法的权衡
针对 d 维随机变量，文章定义了 dHSIC 并提出了置换检验、自举检验和 Gamma 近似三种非参数假设检验。置换检验能达到显著水平，自举检验具有点态渐近显著性和一致性，而 Gamma 近似虽计算快速但缺乏这些保证，适用于较小维度。读者需根据计算资源和精度要求选择。
HSIC 在因果发现中的应用
文章将 dHSIC 检验应用于因果发现问题，通过检验变量间的独立性来推断因果方向。这种方法能发现被线性方法忽略的依赖关系，为因果推断提供了非参数工具，但需注意其有效性依赖于核函数的选择和样本量。
HSIC 的跨领域应用与效率
HSIC 不仅用于独立性检验，还扩展到自监督学习、语言表达和鲁棒回归等领域。例如，PHSIC 在对话响应选择中比基于 RNN 的 PMI 快几千倍且准确性更好；SSL-HSIC 在 ImageNet 上表现优异。这些案例展示了 HSIC 的通用性和高效性。
Q&A
什么是希尔伯特-施密特独立准则（HSIC）？
希尔伯特-施密特独立准则（HSIC）是一种用于检验随机变量独立性的统计方法，通过分析联合分布和边缘分布的嵌入之间的距离来定义。
基于HSIC的独立性检验方法有什么优势？
基于HSIC的独立性检验方法即使在核函数不具特性的情况下仍然保持一致性，能够发现被线性方法忽略的依赖关系。
文中提到的非参数假设检验方法有哪些？
文中提出了三种非参数假设检验方法：置换检验、自举检验和基于Gamma近似的检验。
HSIC在自我监督学习中的应用效果如何？
基于HSIC的自我监督学习方法在ImageNet数据集上表现优异，能够最大化与图像表示转换的相关性。
Gamma近似方法的优缺点是什么？
Gamma近似方法计算快速，但在显著性保证方面不如置换检验和自举检验。
如何定义d维随机变量的Hilbert-Schmidt独立性准则（dHSIC）？
dHSIC是通过将d维联合分布和边缘乘积嵌入到再生核Hilbert空间中定义的，值为零表示d个变量相互独立。
