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

本文提出了一种针对高维数据中低维度参数的统计推断方法，重点在于构建线性回归模型中单个系数和多个系数的线性组合的置信区间，提出的估计器在趋于无穷时渐近正态，其有限维协方差矩阵的一致估计器满足充分条件，模拟结果证明了置信区间的覆盖概率准确性，强烈支持理论结果。

Oct, 2011

本研究提出了一种方法，可以在高维线性模型中构建一般假设的 p 值。该方法可用于测试单个回归参数或涉及多个甚至所有参数的假设，同时考虑到 p 值之间的依赖关系，进行多重比较校正。该技术基于 Ridge 估计和在高维度中的投影偏差上增加的修正项，我们证明了我们的 p 值具有强大的误差控制，并提供了充分的检测条件，同时在模拟实例和真实数据应用中演示了该方法。

Feb, 2012

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

本文提出了一种基于随机森林的新型最高密度区间回归模型（HDI-Forests），用于提高回归任务中预测置信度的质量和效率，并在基准数据集上进行了广泛的实验证明，相较之前的方法，能够将平均 PI 宽度减少 20% 以上且达到相同或更好的覆盖概率。

May, 2019

本文提出五种实用的差分隐私算法用于计算正态分布数据的总体均值的置信区间，并将其与以前的工作进行比较，实验结果表明本文算法提供比以前的工作更准确的置信区间。

Jan, 2020

提出一种基于似然比的高维半参数广义线性模型的推理框架，包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果，以及应用于缺失数据问题的示例。

Dec, 2014

研究在稀疏假设下，用广义基准法进行不确定性量化的超高维线性回归问题，提出了概率密度函数构建方法，参数置信区间计算方法，验证了其严格的渐进频率性质，并通过仿真实验和实际数据的应用进行了实证表现，同时是将费舍尔基准方法应用于 “大 p 小 n” 问题的首次尝试。

Apr, 2013

通过利用少量的独立多轮运行获得分布信息并构建基于 t 分布的置信区间，在保证高置信水平的前提下，提出了一种快速计算收敛到名义水平置信区间的新型推断方法，几乎不需要额外的计算和内存开销。

Jan, 2024

本研究证明在逻辑回归模型中，当样本量和自变量个数的比例变大时，MLE 的偏差和方差均远大于经典预测所得，常用的 LRT 也未能满足卡方分布，因此现有的软件包所得出的推论是不可靠的。

Mar, 2018