该文介绍了条件独立性检验在统计学和机器学习中的重要性和挑战性。作者提出了三个基于回归的测试误差的新上界，以及一种新的基于回归的条件独立性测试方法。实验证明了这些方法的有效性和鲁棒性。

该文介绍了条件独立性检验在现代统计学和机器学习中的重要性和挑战性。文章提出了三个基于回归的测试的新误差估计值或上界，同时引入了一种新的基于回归的条件独立性测试方法。实验证明了这些理论和方法的有用性。

本文介绍了一种层次拓扑排序算法（HT-CIT），通过引入有限时间序列数据和条件独立性检验，可以更高效地学习稀疏的有向无环图。该算法具有较小的搜索空间，并大大减少需要修剪的边的数量。实证结果证明了HT-CIT算法的优越性。