ملخص تقني: اختبار استقلال النواة المارتينجال (Martingale Kernel Independence Test)

1. بيان المشكلة

تتناول الورقة البحثية التحديات الحسابية والإحصائية المتعلقة بالمعايرة المتأصلة في اختبارات الاستقلال القائمة على النواة (Kernel-based)، وتحديدًا معيار "هيلبرت-شميدت للاستقلال" (HSIC) وامتداده لاختبار الاستقلال المشترك، dHSIC.

تعتمد التطبيقات القياسية لـ HSIC وdHSIC على إحصائيات V-statistics المتدهورة (degenerate V-statistics). تحت فرضية العدم (الاستقلال $H_0$)، تتقارب الإحصائيات المُعاد قياسها إلى مجموع موزون من متغيرات $\chi^2$ العشوائية، حيث تعتمد الأوزان على توزيع البيانات المشترك غير المعروف. وبناءً على ذلك، تتطلب المعايرة العملية اختبارات التبديل (permutation tests) لتقريب توزيع العدم. تتضمن هذه العملية إعادة حساب الإحصائية $B$ من المرات (عادةً $B \ge 200$)، مما يؤدي إلى تضخم التكلفة الحسابية لكل اختبار من $O(n^2)$ إلى $O(B n^2)$، وهو ما يمثل زيادة بمقدار رتبتين عشريتين.

يهدف المؤلفون إلى إلغاء خطوة التبديل تمامًا عبر بناء إحصائيات ذات حد أمثلي معروف وخالٍ من التوزيع (التوزيع الطبيعي القياسي)، مما يقلل تكلفة الاختبار الواحد لتطابق التعقيد التربيعي لإحصائية V-statistic المنحازة نفسها.

2. المنهجية

يعمل النهج المقترح على تكييف بناء "المارتينجال MMD" الحديث لاختبار العينات الثنائية (Chatterjee and Ramdas [2025]) ليناسب سياق الاستقلال. الفكرة الجوهرية هي تحويل مقدّر التربيع الزمني القياسي إلى مجموع فروق مارتينجال (martingale differences)، والتي يمكن بعد ذلك جعلها "طالبية" (studentized) لتتقارب نحو التوزيع الطبيعي القياسي عبر نظرية المركز المحدب للمارتينجال ذاتي المعايرة (self-normalized martingale CLT).

2.1 إحصائية mHSIC (الاستقلال الثنائي)

لاختبار الاستقلال بين متغيرين $X$ و $Y$، يعرّف المؤلفون mHSIC.

• البناء: الإحصائية هي مجموع مثلثي سفلي "طالبي" (studentized) لحاصل هادامارد لمصفوفتي جرام (Gram matrices) ممركزتين تجريبيًا ($K_X$ و $K_Y$).
  $$\hat{T}^{\text{mHSIC}}_n = \frac{1}{n} \sum_{i=2}^n \frac{1}{i} \sum_{j=1}^{i-1} (HK_XH)_{ij} (HK_YH)_{ij}$$
• التعيير (Studentization): يتم تطبيع الإحصائية بواسطة التباين التربيعي التجريبي $\hat{\sigma}_n$.
• الأساس النظري: تحت فرضية العدم $H_0$، يشكل ناتج النواة $\bar{k}_X \bar{k}_Y$ (حيث $\bar{k}$ يمثل النوى الممركزة مجتمعيًا) تسلسل فروق مارتينجال. وعلى الرغم من أن مصفوفة التمركز التجريبية $H$ تُدخل انحيازًا، إلا أن المؤلفين يثبتون أن هذا الانحياز هو $O_P(1/\sqrt{n})$ وهو ضئيل تقاربيًا بعد عملية الـ studentization.
• الخصائص: تحت شروط العزم الرابع المحدودة، تتقارب mHSIC إلى $\mathcal{N}(0, 1)$ بغض النظر عن قانون البيانات. وهي متسقة ضد أي بديل ثابت وتحافظ على تكلفة حسابية قدرها $O(n^2)$ دون الحاجة لتقسيم العينة.

2.2 إحصائية mdHSIC (الاستقلال المشترك)

لاختبار الاستقلال المشترك بين $d$ من المتغيرات ($X_1, \dots, X_d$)، يفشل الامتداد المباشر لـ mHSIC.

• فشل الضرب المباشر: يؤدي استبدال النواة الثنائية بمنتج $d$-من النوى الممركزة تجريبيًا إلى انحياز تراكمي قدره $O_P(d/\sqrt{n})$. عندما يتجاوز عدد المتغيرات $d$ قيمة $\sqrt{n}$، يهيمن هذا الانحياز على المقياس "الطالبي"، مما يكسر معايرة التوزيع الطبيعي القياسي.
• حل المارتينجال عبر تقسيم العينة (mdHSIC): لحل هذه المشكلة، يقدم المؤلفون تقسيم عينة واحد لنصف العينة (single half-sample split):
  1. التقسيم: يتم تقسيم العينة إلى $S_1$ (النصف الأول) و $S_2$ (النصف الثاني).
  2. التمركز: يتم تقدير التضمينات المتوسطة والنوى الممركزة باستخدام $S_1$ فقط.
  3. تشغيل المارتينجال: يتم حساب مجموع المارتينجال المثلثي السفلي ذاتي المعايرة باستخدام النوى الممركزة بواسطة $S_1$ المطبقة على الأزواج داخل $S_2$.
• الأساس النظري: يضمن هذا البناء أن متوسط البواقي الشرطي لمنتج النواة هو $O_P(m^{-d/2})$ (حيث $m \approx n/2$). هذا الباقي ضئيل أسيًا بالنسبة لـ $d$، مما يجعله مهملًا لأي $d \ge 2$ ثابتة.
• الخصائص: تتقارب mdHSIC إلى $\mathcal{N}(0, 1)$ لأي $d$ ثابتة تحت فرضية الاستقلال المشترك. التكلفة لكل اختبار هي $O(d n^2)$، وهي خطية في $d$، مما يتجنب عامل التبديل $B$.

3. المساهمات الرئيسية

1. mHSIC: إحصائية خالية من التبديل ومن تقسيم العينة، للاستقلال الثنائي، تتقارب نحو توزيع طبيعي قياسي تحت فرضية العدم، وتطابق التكلفة $O(n^2)$ لإحصائية V-statistic المنحازة لـ HSIC.
2. mdHSIC: إحصائية خالية من التبديل للاستقلال المشترك لـ $d$ من المتغيرات. تقوم بتصحيح انحياز التمركز التجريبي للامتدادات المباشرة عبر تقسيم نصف العينة، مما يضمن التوزيع الطبيعي التقاربي لأي $d$ ثابتة بتعقيد $O(d n^2)$.
3. الضمانات النظرية: إثباتات التقارب إلى $\mathcal{N}(0, 1)$ تحت فرضية العدم (النظرية 3 و6)، والاتساق ضد البدائل الثابتة، بالاعتماد على نظرية المركز المحدب للمارتينجال ذاتي المعايرة (Fan [2018]).
4. التحقق التجريبي: إظهار أن كلتا الإحصائيتين تطابق معدلات خطأ النوع الأول (Type-I error) وقوة الاختبار لخطوط الأساس المعايرة بالتبديل مع تحقيق تسريع كبير في الأداء.

4. النتائج التجريبية

قيم المؤلفون الطرق على بيانات اصطناعية ذات أبعاد وأحجام عينات متفاوتة.

• المعايرة (خطأ النوع الأول):
  • mHSIC: في البيانات الثنائية ذات الأبعاد المحيطة التي تصل إلى 500، ظل معدل خطأ النوع الأول التجريبي عند $\alpha=0.05$ قريبًا من المستوى الاسمي لعينات كبيرة كافية. ويشير المؤلفون إلى "لعنة الأبعاد في العينات المحدودة" حيث يرتفع معدل الخطأ إذا كانت $d_{\text{ambient}} \gtrsim n^{0.875}$ بسبب انحياز التمركز المتبقي.
  • mdHSIC: في مهام الاستقلال المشترك حيث $d \in \{2, \dots, 10\}$، ظل معدل خطأ النوع الأول ضمن النطاق $[0.036, 0.066]$ عبر جميع أحجام العينات والأبعاد المختبرة، مما يؤكد المعايرة الخالية من التوزيع.
• القوة (Power): أظهرت كلتا الإحصائيتين زيادات رتيبة في القوة مع قوة الاعتماد وحجم العينة، مما يطابق أداء خطوط الأساس القائمة على التبديل.
• الكفاءة الحسابية:
  • كانت mHSIC وmdHSIC أسرع بـ 25 إلى 60 مرة من نظيراتها المعايرة بالتبديل (HSIC-perm و dHSIC-perm مع $B=200$).
  • بالنسبة لـ $n=16,000$، استغرقت mHSIC حوالي 0.042 ثانية مقارلة بـ 2.532 ثانية لـ HSIC-perm.
  • يتوسع التسريع مع $n$ لأن تكلفة التبديل تنمو خطيًا مع $B$، بينما تظل تكلفة المارتينجال ثابتة لكل اختبار.

5. الأهمية والادعاءات

تدعي الورقة البحثية حل مشكلة اختناق المعايرة في اختبارات استقلال النواة. من خلال الاستفادة من هياكل المارتينجال، يلغي المؤلفون الحاجة إلى عملية إعادة أخذ العينات بالتبديل المكلفة، مما يقلل العبء الحسابي بمقدار رتبتين عشريتين مع الحفاظ على الصلاحية الإحصائية.

• خالية من التبديل: الأهمية الرئيسية هي استبدال خطوة التبديل $O(B n^2)$ بالبحث عن المئينات الطبيعية (normal-quantile lookup)، مما يجعل الاختبارات ممكنة للبيانات واسعة النطاق حيث يكون التبديل مستحيلاً.
• المتانة: الطرق خالية من التوزيع؛ الحد الأمثلي هو التوزيع الطبيعي القياسي بغض النظر عن قانون البيانات الأساسي، بشرط استيفاء شروط العزم البسيطة.
• القابلية للتوسع: تعالج إحصائية mdHSIC تحديدًا مشكلة القابلية للتوسع في اختبار الاستقلال المشترك عالي الأبعاد، حيث تفشل الامتدادات الساذجة بسبب الانحياز المتراكم.

يضع المؤلفون عملهم كتحوير مباشر لنموذج المارتينجال MMD (Chatterjee and Ramdas [2025]) لمشكلة الاستقلال، مما يقدم بديلًا عمليًا لطرق تقسيم العينة الحالية (مثل xHSIC) من خلال الاحتفاظ بالهيكل المثلثي السفلي الذي يستفيد من جميع الأزواج المتاحة في نصف العينة الثاني، مما يحسن القوة الإحصائية مقارنة بنهج الكتل المستطيلة (rectangular cross-block).