我们的论文《A Linear-Time Kernel Goodness-of-Fit Test》获得了NeurIPS 2017（第30届神经信息处理系统大会）最佳论文奖。这项研究由Sentinel Assurance联合创始人Wenkai Xu，与伦敦大学学院Gatsby计算神经科学中心的Wittawat Jitkrittum、Arthur Gretton，以及统计数理研究所（日本）的Zoltan Szabo、Kenji Fukumizu共同完成。
这篇论文做了什么
- 提出了一种自适应拟合优度检验方法，其计算成本随样本量线性增长，而非早期核方法检验常见的二次方增长。
- 该方法会主动学习最能指示模型与数据出现偏差的具体检验特征，而不只是返回一个笼统的统计量。
- 基于Stein方法构建，因此无需计算模型的归一化常数，而这一常数在实践中往往难以计算。
- 在均值偏移的备择假设下，被证明具有比此前线性时间核检验更高的相对（Bahadur）效率，并在高维场景下达到甚至超过二次时间检验的检验效力。
我们的看法
一种无法扩展到真实系统数据规模的检验方法，理论再严谨，也很难被真正投入使用。在保持可解释性的同时把拟合优度检验的复杂度降到线性，正是这类不起眼却基础性的工作，它让严谨的验证真正可以被持续运行，而不只是偶尔做一次审计。