PQMass：使用概率质量估计对生成模型的质量进行概率评估

Lemos等人2024年的PQMass双样本测试实现在此

安装

只需这样做

pip install pqm

使用方法

这是主要的使用案例

from pqm import pqm_pvalue, pqm_chi2
import numpy as np

x_sample = np.random.normal(size = (500, 10))
y_sample = np.random.normal(size = (400, 10))

# To get pvalues from PQMass
pvalues = pqm_pvalue(x_sample, y_sample, num_refs = 100, re_tessellation = 50)
print(np.mean(pvalues), np.std(pvalues))

# To get chi^2 from PQMass
chi2_stat = pqm_chi2(x_sample, y_sample, num_refs = 100, re_tessellation = 50)
print(np.mean(chi2_stat), np.std(chi2_stat))

如果您的两个样本是从同一分布中抽取的，那么p值应该从随机均匀(0,1)分布中抽取。这意味着如果您得到一个非常小的值（即，1e-6），那么您已经失败了零假设检验，并且两个样本不是从同一分布中抽取的。

对于卡方指标，给定你的两组样本，如果它们来自同一分布，你的卡方值的直方图应该遵循卡方分布。该分布的峰值将在自由度 - 2 处，标准差为 √(2 * DoF)。如果你的直方图偏离预期的卡方分布向右，这表明样本不在分布中。相反，如果直方图偏离左侧，这表明可能存在重复或记忆（特别是对于生成模型来说尤为重要）。

开发中

如果你是开发者

git clone git@github.com:Ciela-Institute/PQM.git
cd PQM
git checkout -b my-new-branch
pip install -e .