基于机器学习模型的序贯条件独立性检验

研究者探讨了如何将机器学习模型融入序贯条件独立性检验的 e-变量设计中，并解释了直接检验可交换性在实践中检定力更高的现象。该研究将误差分解为零假设扩大、近似与估计误差，通过引入中间零假设以减少误差。针对 model-X 假设导致的第 I 类错误保证失效问题，论文提供了支持三重稳健性且收敛快速的估计误差界。