用于测试响应的条件独立性（CI）Y（Y）和预测器X（X）给定协变量Z轴模型X（MX）框架一直是活跃的方法学研究的主题，特别是在MX仿冒品及其在全基因组关联研究中的应用背景下。在本文中，我们研究了MX CI测试的威力，对机器学习的作用产生了定量的见解，并为在实践中使用基于相似性的统计数据提供了证据。聚焦于条件随机化检验（CRT），我们发现它的条件推理模式允许我们将其重新定义为测试涉及以下条件分布的点零假设X（X）Neyman-Pearson引理意味着基于相似性的统计可以产生针对点替代的最强大的CRT。我们获得了MX仿制品的相关优化结果。切换到具有任意增长协变量维数的渐近框架，我们根据机器学习算法的预测误差导出了CRT对局部半参数备选方案的功率表达式，而CRT的测试统计是基于机器学习算法。最后，我们给出了一个具有一致渐近I型误差控制的无重采样检验，假设X（X）鉴于Z轴已知。