本文提出了一种异构建模框架，它可以实现个体特征选择和个性化协变量效应的分组，同时在纵向数据方面也具有高效性。基于双分歧建模框架，该框架的理论基础是通用的，旨在使推断既能在个体层面又能在种群层面进行。此外，本文提出的模型改善了个性化估计效率和特征选择准确性。

Sep, 2017

该研究使用凸优化方法控制给定大小的所有子人群的最坏情况表现，从而提高模型的泛化能力。实证研究表明该方法可在未知子人群中推广。

Jul, 2020

该论文研究使用一些非凸罚项方法解决群体选择问题并进行变量选择的统计性能比较。

Sep, 2012

本文提出使用组凸正则化的稀疏输入神经网络框架，用于解决在高维数据中进行的变量筛选和非线性函数估计的问题。通过对每个输入节点的所有出节点的权重的 L2 范数应用适当的凹值惩罚，从而为每个问题生成一个小型子集，取得了令人满意的有限样本性能和稳定的解决方案。

Jul, 2023

研究在具有重叠人口和顺序预测的情况下改善对子群体的公平性的方法，并指出当多个重叠群体的目标不是平等预测而是良好预测时，满足此保证的任务并不简单，即使针对每个子群体分别提供性能良好的预测器，对于未加权的假阴性和假阳性率的简单目标而言，满足这个目标在统计上也可能是不可能的。

Sep, 2019

本研究基于 $L_1$ 等不同的范式组合提出了一种新的惩罚方案，即复合绝对惩罚（CAP）系列，可用于回归和分类模型的合理拟合以获得合理估计。CAP 通过定义组并在组间和组内级别上结合范数惩罚计算，提供给定分组和分层关系间的表达，并且能够通过选择无重叠组实现分组选择和定义具有特定重叠模式的组来实现分层变量选择，表现出比 LASSO 更好的预测性能。

Sep, 2009

本文介绍了 R2P 方法，它使用任意外生估计算法来估计个体化治疗效果，并量化治疗效果估计的不确定性，通过更强大的构造实现更均匀的缺陷组和更异构的子组划分，同时产生比其他方法更窄的置信区间。

Jun, 2020

本研究介绍了三种新的回归树算法，它们利用了线性预测器作为处理方法，并使用卡方检验来探测残余模式和拟合不足。同时，算法还使用泊松回归来进行比例风险建模。利用引入的算法可以识别出作用显著变量的重要性，同时还可以构造区间以评估每个节点的治疗效果。

Oct, 2014

本研究提出一种用于估计异构总体逆协方差矩阵的通用框架，该框架使用 Laplacian shrinkage penalty 来鼓励异构但相关子总体的估计值之间的相似性，同时允许矩阵之间的差异。通过使用经验协方差矩阵的阈值截断来识别所估计的精密矩阵的联合块对角线结构，提出了一种有效的交替方向乘法器（ADMM）算法以及其在高维中的快速计算扩展。研究表明，该方法具有应用价值。

Jan, 2016

本文提出了一种基于得分的结构学习快速算法的罚似然估计框架，该快速算法不受限制地处理高维数据集，并使用凹规则化以解决估计问题的固有不可识别性。其中，高斯贝叶斯网络是重点研究领域之一。

Jan, 2014