通过反应自适应设计和贝叶斯缩小方法，我们对剂量寻找研究中的不确定性和参数估计的大变异性进行了处理，并提出了优化方案，以确定新药剂量的最小有效剂量。

Jul, 2011

提出了一种名为 Syntax 的试验设计，通过在多个亚人群中形成合成控制来估计治疗效果，以识别对治疗有效果的亚人群，从而解决患者对同一治疗方式反应不一致的问题。

Jan, 2024

通过实验和在线 A/B 测试，我们证明在数据收集程序满足自然条件时，样本数据有系统的负偏差。我们提出了一种基于选择性推理技术的新型去偏算法，可以在各种情况下有效地减少偏差和估计误差。

Aug, 2017

该论文提出了一种新颖的在线评估协议，用于对测试时间自适应（TTA）方法进行评估，通过为较慢的方法提供更少的自适应样本来惩罚它们。我们将该协议应用于多个数据集和场景中，评估了几种 TTA 方法，并表明当考虑推理速度时，简单快速的方法可以胜过更复杂但较慢的方法。

Apr, 2023

PETAL 是一种基于概率视角和部分数据相关先验的测试时间自适应方法，利用 Fisher 信息矩阵的数据驱动模型参数重置机制应对非平稳目标领域转移，实验结果表明 PETAL 在多个基准测试数据集中表现出更好的预测性能和不确定性指标。

Dec, 2022

为了使现有的视觉模型适应于不同的下游场景，本文探讨了在线测试时间自适应方法在各种真实世界场景下的表现，并针对该方法的局限性提出了一种特别保守的方法 —— 使用 LAME 目标来解决问题，并通过高效的凸凹过程求解该目标，从而使其在场景中表现更佳。

Jan, 2022

通过控制混合对照组干扰和第一类错误，我们提出了一种新的临床试验分析方法，使用所选的真实世界病人，加权来自电子健康记录的治疗组病人，以增加试验效力。

Aug, 2021

该论文介绍了一种名为 Safe Efficacy Exploration Dose Allocation (SEEDA) 的自适应临床试验方法，其目的是在高概率满足毒性安全约束的情况下最大化累积有效性。在实验中发现，与现有的临床试验设计相比，SEEDA 可以找到最佳的剂量，且成功率更高，需要更少的患者。

Jun, 2020

使用基于 Transformer 的自然语言处理的人工智能方法 (AICO)，通过真实数据评估入组标准，从大量相关临床试验中提取常见入组标准变量并测量临床试验设计的泛化性，解决了现有手动方法的可扩展性问题，并能快速模拟感兴趣疾病的入组标准设计。以乳腺癌试验设计为例，展示了该方法在改进临床试验泛化性方面的效用。

Sep, 2021

通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略，我们提出了一种更节省样本数据的替代随机对照试验的方法，用于因果推断，并在各种重要任务，实际数据集和样本大小的情况下，胜过其他基准，例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。

Jun, 2023