本文提出一种新的随机优化原理，即使用 Blanchet 和 Glynn 的多级 Monte-Carlo 方法将任何最优随机梯度方法转换为 $x_*$ 的估计量，以此为基础获得了一种廉价且几乎无偏差的梯度估计器，可以应用于随机优化的多个领域，如随机优化，概率图形模型推理以及优化的机器学习等。

Jun, 2021

本文介绍了如何利用 efficient influence function 来构建基于统计 / 机器学习的 estimators，并讨论了这些 estimators 表现良好的前提条件。

Jul, 2021

本研究提出了一种新的非归一化统计模型估计器族，其参数由两个非线性函数组成，使用来自辅助分布的单个样本，推广了 Geyer 和 Thompson（1992）的最大似然蒙特卡罗估计方法，并且可以像模型中的任何其他参数一样估计分区函数。同时，我们可以通过优化代数简单且定义明确的目标函数来进行估计，从而允许使用专用优化方法。最后，我们从计算效率的角度考虑了相对于给定数据量的最佳辅助样本量。

Mar, 2012

提出了一个无偏的方案，用于估计过程的极限值，并将其应用于包括数值积分，根搜索和 Heston 随机波动性模型的期权定价的示例中，从而在许多潜在的应用中将有偏估计替换为无偏估计。

May, 2010

本文从非渐近的角度探讨了从非正态分布中的独立同分布观测中估计实值随机变量均值的可能性和局限性，提出了一些呈现次高斯分布特征的估计器，并证明了几个均值估计器的不可能性结果。

Sep, 2015

研究了用 GreedyBox 算法逼近单调非减函数的问题，证明了该算法在任何函数上都达到了最优样本复杂度，特别是对于分段平滑的函数，通过简单修改甚至达到了最优的极小最大逼近速率，并进行了数值实验验证。

Sep, 2023

本文研究非参数化的初步步骤对于许多有用参数的影响以及如何利用影响函数分析局部政策、构建机器学习估计器、进行效率比较和制定渐近正态的基本规则。研究发现影响函数是一个门托导数，我们给出了满足外生或内生正交条件的初步步骤的影响函数。最后，这项研究应用在汽油需求的分析中，结果表明平均相当变动量的估计值对内生性不敏感。

Aug, 2015

本文研究了概率测度 $P$ 均值的健壮估计量，提出了一种稍微复杂的构造方法以处理健壮 $M$- 估计问题，并将该方法应用于最小二乘密度估计、具有 Kullback 损失的密度估计以及非高斯、不受限制的随机设计和异方差回归问题，同时作者表明该策略也可以用于数据只被假设为混合的情况。

Dec, 2011

本文研究数据保护与统计估计之间的平衡，开发了私有版本的信息熵界限，提出了一些新的基于隐私保护机制和计算效率估计，并给出了一些实验结果，证明了这些过程的重要性。

Apr, 2016

该论文提出了一种数值方法来近似有效影响函数， 并以两个例子的背景说明了该方法。

Aug, 2016