Un nuevo método introduce apuestas adaptativas con estadísticas de kernel para probar la independencia condicional, reduciendo la inflación del error de Tipo I debido al error de estimación. Supera a los enfoques existentes de Model-X secuenciales tanto en tareas de equidad sintéticas como del mundo real, manteniendo una alta potencia y siendo más robusto ante errores de estimación distribucional.