基于标准化流含讨厌参数的无似然推断

我们提出了一种基于神经网络的归一化流的简单分解方法，仅依赖目标分布的样本生成器，即可在存在冗余参数的情况下自然地发现枢轴统计量（或与其相近的量）。我们证明了该统计量在其 $p$ 值相对于均匀分布具有最小平均 KL 散度的意义上是近似枢轴的，并论证了当统计量的维度等于参数维度时，可以预期其具有良好的检验功效。该方法能够结合关于平移和缩放等群不变性的先验知识。它几乎能够精确地复现单样本 $t$ 检验，在受约束的方差比范围内，其最坏情况检验水平（worst-case size）优于 Welch 检验，在偏双列相关上取得了良好的校准，同时在中小样本上展现出比剖面似然比技术更高的检验功效（且速度要快得多）。