该论文提出了一种用于高维模型中单个或低维组件的置信区间和统计检验的一般方法，可轻松调整用于考虑测试之间的依赖关系。该方法还自然地扩展到具有凸损失函数的广义线性模型。

Mar, 2013

研究使用重新采样方法估计统计模型的不确定性，探讨其在高维监督回归任务中的性能，特别关注广义线性模型和过参数化区域下的预测一致性与可靠性。

Feb, 2024

通过构建隐私差分的置信区间，我们提出了两种非参数私有化自举方法，可以在数据的多个分区上私下计算多个 “小” 自举结果的中位数，并给出了对生成置信区间的渐近界限的错误率。对于固定的差分隐私参数 ε，我们的方法在样本量 n 中与非私有自举方法的错误率相似，只有对数因子的差异。我们通过真实数据和合成数据对我们方法的均值估计、中位数估计和逻辑回归的性能进行了实证验证。我们的方法在提供相似的覆盖准确性的同时，相较以前的方法提供了明显更短的（约 10 倍）置信区间。

Feb, 2024

基于独立样本，我们尝试估计各种概率分布的共同空间上的多维均值。我们的方法通过凸组合样本的经验均值来形成估计器。我们介绍了两种找到合适的数据依赖凸组合权重的策略：第一种策略利用测试过程识别方差较低的相邻均值，从而得到一个权重的闭式插值公式；第二种策略通过最小化二次风险上界确定权重。通过理论分析，我们评估了我们的方法在二次风险上相对于经验均值的改进。我们的分析集中在维度渐进的角度上，显示我们的方法在数据的有效维度增加时渐进地接近一个理想（极小化）改进。通过在模拟和真实数据集上进行实验，我们展示了我们的方法在估计多核均值嵌入方面的有效性。

Mar, 2024

本文引导出了计算未知均值的置信区间和时间均匀置信序列的一般方法，并应用于研究有界均值、有限抽样和无限抽样等多个问题。

Oct, 2020

本篇论文从众多维度描述了对象的角度出发，提出了一种新的方法来解决稀疏正常分布下的样本均值的估计问题，进一步推导出极小极大下的收敛率，且得到了最优收敛率，并将该方法与其他方法进行了比较。

Dec, 2006

研究通过 Paley-Wiener 重现核希尔伯特空间理论构建具有非渐近和分布自由保证的非参数同时置信区间带的问题，改进了现有算法的假设和约束，通过数值实验证明了改进的有效性。

Jan, 2024

该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。

Jun, 2013

本文研究高维模型中低维部分的不确定性评估问题，提出了一种去相关的评分函数来处理高维噪声参数的影响，不同于现有方法的针对性，我们的方法提供了一种适用于广泛应用的高维推理通用框架。

Dec, 2014

本文提出针对机器学习集成方法的正式统计推断程序，重点在于利用样本的子样本进行 U - 统计的预测，进而提供置信区间，以及作为检验功能、估计方差等应用。

Apr, 2014